评估指标：ROC，AUC，Precision、Recall、F1-score

发布时间：2020-12-14 03:18:20 所属栏目：大数据来源：网络整理

导读：一、ROC，AUC ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣?。 ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图： ? 二、Precision

一、ROC，AUC

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣?。

ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：

二、Precision、Recall、F1-score

Terminology and derivations
from a? confusion matrix
true positive (TP) eqv. with hit true negative (TN) eqv. with correct rejection false positive (FP) eqv. with? false alarm,? Type I error false negative (FN) eqv. with miss,? Type II error sensitivity?or? true positive rate (TPR) eqv. with? hit rate,? recall specificity?(SPC) or? true negative rate (TNR) precision?or? positive predictive value?(PPV) negative predictive value?(NPV) fall-out?or? false positive rate (FPR) false discovery rate?(FDR) miss rate or? false negative rate?(FNR) accuracy?(ACC) F1 score is the? harmonic mean?of? precision?and? sensitivity Matthews correlation coefficient?(MCC) $Informedness = Sensitivity + Specificity - 1 Markedness = Precision + NPV - 1$

中文解释

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!