其他分享
首页 > 其他分享> > 整理分类评价指标【TPR、TNR、pre、F1、混淆矩阵】

整理分类评价指标【TPR、TNR、pre、F1、混淆矩阵】

作者:互联网

特异度(specificity)与灵敏度(sensitivity)

https://www.jianshu.com/p/7919ef304b19

 

 

 

查全率(Recall),查准率(Precision),灵敏性(Sensitivity),特异性(Specificity),F1,PR曲线,ROC,AUC的应用场景

https://www.e-learn.cn/content/qita/2520407

(具体其他指标见网址,这里直拿出recall,pre,sen,spe,之间的关系)

 

查全率(Recall):recall是相对真实的情况而言的:假设测试集里面有100个正类,如果模型预测出其中40个是正类,那模型的recall就是40%。查全率也称为召回率,等价于灵敏性(Sensitivity)真正率(True Positive Rate,TPR)

(P,特异性(specificity)相当看正确预测的负类占所有负类的总和,而准确率(accuracy)相当正类负类所有的正确的预测数量占所有数量的总和。另外,对于我个人用的分类,灵敏性和特异性只需要其中一个就行

查准率(Precision):precision是相对模型的预测结果而言的:假设模型一共预测出了100个正类,其中80个是正确的,那么precision就是80%。

 

 

 

混淆矩阵

https://baike.baidu.com/item/%E6%B7%B7%E6%B7%86%E7%9F%A9%E9%98%B5/10087822?fr=aladdin

 

 

 

多分类

https://blog.csdn.net/ybdesire/article/details/98099809

 

标签:pre,F1,负类,TNR,recall,正类,查全率,灵敏性,https
来源: https://www.cnblogs.com/rinroll/p/14134428.html