因为自己总记不太清具体的意义,这里梳理一下:
这里的TP、FN、FP、TN,其实真正对应的都说的是预测
TP:真的正样本(预测),实际也是正样本
FN:假的负样本(预测),实际也是正样本
FP:假的正样本(预测),实际是负样本
TN:真的负样本(预测),实际是负样本
precision = TP/(TP+FP)
recall = TP/(TP+FN)
1/F = (1/2) * (1/precision+1/recall)
例子:视频采样判断是否是一个小偷,召回率很高,同时准确率很低。(判断为小偷的,基本都是小偷,但是正常人也被判别成了小偷)
ROC :真阳(召回率)为纵坐标,假阳(FP/FP+TN),ROC正常应该在y=x之上。
AUC:ROC下的面积
具体选择PR曲线还是ROC曲线,有一条经验法则:
PR 、 ROC 都是通过不断变化阈值来画出来的。
PR曲线能够衡量在特定数据集上的表现。(右上凸更好)
ROC曲线能够在样本不均衡的时候更客观的衡量模型本身的性能。(左上凸更好)
标签:FP,AUC,样本,ROC,矩阵,TP,小偷,FN 来源: https://www.cnblogs.com/irisinsnow/p/15362341.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。