对混淆矩阵、F1-Score
(一)混淆矩阵
混淆矩阵是除了ROC曲线和AUC之外的另一个判断分类好坏程度的方法。下面给出二分类的混淆矩阵
Predicted as Positive | Predicted as Negative | |
Labeled as Positive | True Positive(TP) | False Negative(FN) |
Labeled as Negative | False Positive(FP) | True Negative(TN) |
如上表,可以将结果分为四类:
* 真正(True Positive, TP):被模型分类正确的正样本;
* 假负(False Negative, FN):被模型分类错误的正样本;
* 假正(False Positive, FP):被模型分类错误的负样本;
* 真负(True Negative, TN):被模型分类正确的负样本;
进一步可以推出这些指标:
* 真正率(True Positive Rate, TPR),又名灵敏度(Sensitivity):分类正确的正样本个数占整个正样本个数的比例,即:
* 假负率(False Negative Rate, FNR):分类错误的正样本的个数占正样本的个数的比例,即:
* 假正率(False Positive Rate, FPR):分类错误的负样本个数占整个负样本个数的比例,即:
* 真负率(True Negative Rate, TNR):分类正确的负样本的个数占负样本的个数的比例,即:
进一步,由混淆矩阵可以计算以下评价指标:
* 准确率(Accuracy):分类正确的样本个数占所有样本个数的比例,即:
* 平均准确率(Average per-class accuracy):每个类别下的准确率的算术平均,即:
* 精确率(Precision):分类正确的正样本个数占分类器分成的所有正样本个数的比例(注意:精确率和准确率不同),即:
* 召回率(Recall):分类正确的正样本个数占正样本个数的比例,即:
(二) F1-Score
在介绍F1-Score之前,首先介绍调和平均值,调和平均值为:总体各统计量的倒数的算术平均数的倒数;
F1值为精确率和召回率的调和均值。
例如:某工厂购进材料三批,每批价格及采购金额资料如下表:
那么调和平均值为:。
对混淆矩阵、F1-Score相关推荐
- 混淆矩阵与精确度、召回率、F1 Score
1.计算公式 从混淆矩阵计算精确度.召回率.F1 Score的过程如下图所示,其中P和R即Precision和Recall: 2.验证实验 如下图为Azure ML自带的一个示例给出的模型评分结果:原 ...
- 一文详尽混淆矩阵、准确率、精确率、召回率、F1值、P-R 曲线、ROC 曲线、AUC 值、Micro-F1 和 Macro-F1
文章目录 二分类的评价指标 一.混淆矩阵与 TP.TN.FP.FN 二.准确率.精确率.召回率.F1值 三.P-R 曲线 四.ROC 曲线.AUC 值 五.P-R曲线和ROC曲线有什么区别,如何选择? ...
- 【深度学习中模型评价指标汇总(混淆矩阵、recall、precision、F1、AUC面积、ROC曲线、ErrorRate)】
深度学习中模型好坏的所有评价指标汇总(混淆矩阵.recall.precision.F1score.AUC面积.ROC曲线.ErrorRate) 导航 0.混淆矩阵 1.AUC面积 2.ROC曲线 3. ...
- Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标:TP、TN、FP、FN、TPR、TNR(SPC)、PPV、NPV、FPR、FDR、FNR、ACC、F1、MCC等
Python使用pandas_ml输出混淆矩阵以及从混淆矩阵衍生出来的其他指标:TP.TN.FP.FN.TPR.TNR(SPC).PPV.NPV.FPR.FDR.FNR.ACC.F1.MCC等 目录 ...
- Python混淆矩阵(confusion_matrix)FP、FN、TP、TN、ROC,FROC,精确率(Precision),召回率(Recall),准确率(Accuracy),F1分数详述与实现
目录 一.FP.FN.TP.TN 二.准确率(Accuracy).精确率(Precision).召回率(Recall).F1score 2.1.准确率(Accuracy) 2.2.召回率(Recall ...
- 分类模型性能评价指标:混淆矩阵、F Score、ROC曲线与AUC面积、PR曲线
以二分类模型为例:二分类模型最终需要判断样本的结果是1还是0,或者说是positive还是negative. 评价分类模型性能的场景: 采集一个称之为测试集的数据集: 测试集的每一个样本由特征数据及其 ...
- 混淆矩阵、精确率、召回率、F1值、ROC曲线、AUC曲线
假设一个分类器A,分类器A的作用是告诉你一张图片是不是汉堡,我们如果想知道这个分类器的效果到底好不好,如何做? 最简单的方法就是将手机里所有的图片都扔给分类器A看,让分类器告诉我们哪些是汉堡 我们无法 ...
- R语言构建混淆矩阵(仿真数据)并基于混淆矩阵(confusion matrix)计算并计算Accuracy、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建混淆矩阵(仿真数据)并基于混淆矩阵(confusion matrix)计算并计算Accuracy.Precision.Recall(sensitivity).F1.Specificity指标 ...
- R语言构建logistic回归模型并评估模型:计算混淆矩阵、并基于混淆矩阵计算Accuray、Precision、Recall(sensitivity)、F1、Specificity指标
R语言构建logistic回归模型并评估模型:计算混淆矩阵.并基于混淆矩阵计算Accuray.Precision.Recall(sensitivity).F1.Specificity指标 目录
- 分类模型评估体系:混淆矩阵、PR曲线、F1、Weighted F1、Micro F1、Macro F1、ROCAUC、KS曲线、Lift曲线、GAIN曲线
目录 混淆矩阵 一类错误+二类错误 查准率(precision)和查全率(recall) PR曲线 调和参数F1
最新文章
- Excel 技术篇-解决“单元格不能自动适应大小“问题
- wordpress 显示数学公式 (MathJax-LaTeX)
- 服务器被一堆系统登录_WIN10做天高服务器客户端登录出现“操作系统原因无法登录”...
- curl 常用的命令
- linux下 java 文本_Java中如何将输入的信息写入文本中
- iphone固件降级_手机资讯:降级必备:Phone5如何下载备份SHSH文件
- 获取程序进程并杀死该进程集
- 默认大小_如何更改 Linux 控制台字体类型和大小 | Linux 中国
- ros ubuntu 卸载_Ubuntu18.04 ROS Melodic安装与卸载
- 坦克大战小游戏的实现
- 关于海外置业,我泼点冷水
- 【Mysql】Mysql数据库查询“表空间”
- 618新旧巨头战笔记之一
- Vmware虚拟机Linux配置固定IP地址(详细版)
- js实现图片无缝滚动特效
- 漫谈核心能力(3) -- 逻辑!逻辑!!逻辑!!!
- linux 移除、加载SATA盘
- 数字图像处理第一二章
- 【路径规划】基于matlab卡尔曼滤波、三次插值极速赛道赛车路径规划【含Matlab源码 2158期】
- 面试知识点梳理二:常见范数最小二乘
热门文章
- 计算cosx的近似值
- 对于Android虚拟机启动失败“The emulator process for AVD Nexus_5X_API_30 was killed”的解决方案
- 网络协议 一 MAC地址、IP地址、子网掩码
- 宽带显示不能建立到远程计算机,宽带连接错误820:不能建立到远程计算机的连接 正确处理办法...
- cpi 计算机体系结构 转移指令,计算机体系结构题目.ppt
- JS 对象直接量方法创建对象
- python matplotlib中误差棒图
- Python File Handing:Create,Open,Append,Read,Write
- 【渝粤题库】陕西师范大学200601 英语报刊阅读
- rsync 远程同步