分类模型的评价指标Fscore
分类方法经常使用的评估模型好坏的方法.html
0.预设问题
假设我如今有一个二分类任务,是分析100封邮件是不是垃圾邮件,其中不是垃圾邮件有65封,是垃圾邮件有35封.模型最终给邮件的结论只有两个:是垃圾邮件与 不是垃圾邮件.python
通过本身的努力,本身设计了模型,获得告终果,分类结果以下:git
- 不是垃圾邮件70封(其中真实不是垃圾邮件60封,是垃圾邮件有10封)
- 是垃圾邮件30封(其中真实是垃圾邮件25封,不是垃圾邮件5封)
如今咱们设置,不是垃圾邮件.为正样本,是垃圾邮件为负样本
咱们通常使用四个符号表示预测的全部状况:安全
- TP(真阳性):正样本被正确预测为正样本,例子中的60
- FP(假阳性):负样本被错误预测为正样本,例子中的10
- TN(真阴性):负样本被正确预测为负样本,例子中的25
- FN(假阴性):正样本被错误预测为负样本,例子中的5
1.评价方法介绍
先看最终的计算公式:服务器
1.Precision(精确率)
关注预测为正样本的数据(可能包含负样本)中,真实正样本的比例
计算公式微信
例子解释:对上前面例子,关注的部分就是预测结果的70封不是垃圾邮件中真实不是垃圾邮件占该预测结果的比率,如今Precision=60/(600+10)=85.71%机器学习
2.Recall(召回率)
关注真实正样本的数据(不包含任何负样本)中,正确预测的比例
计算公式svg
例子解释:对上前面例子,关注的部分就是真实有65封不是垃圾邮件,这其中你的预测结果中有多少预测正确了,Recall=60/(60+5)=92.31%post
3.F-score中β值的介绍
β是用来平衡Precision,Recall在F-score计算中的权重,取值状况有如下三种:学习
- 若是取1,表示Precision与Recall同样重要
- 若是取小于1,表示Precision比Recall重要
- 若是取大于1,表示Recall比Precision重要
通常状况下,β取1，认为两个指标同样重要.此时F-score的计算公式为:
前面计算的结果,获得Fscore=(2*0.8571*0.9231)/(0.8571+0.9231)=88.89%
3.其余考虑
预测模型无非就是两个结果
- 准确预测(无论是正样子预测为正样本,仍是负样本预测为负样本)
- 错误预测
那我就能够直接按照下面的公式求预测准确率,用这个值来评估模型准确率不就好了
那为何还要那么复杂算各类值.理由是通常而言:负样本远大于正样本。
能够想象,两个模型的TN变化不大的状况下,可是TP在两个模型上有不一样的值,TN>>TP是否是能够推断出:两个模型的(TN+TP)近似相等.这不就意味着两个模型按照以上公式计算的Accuracy近似相等了.那用这个指标有什么用!!!
因此说,对于这种状况的二分类问题,通常使用Fscore去评估模型.
须要注意的是:Fscore只用来评估二分类的模型,Accuracy没有这限制
参考
1.机器学习中的 precision、recall、accuracy、F1 Score
2.分类模型的评估方法-F分数(F-Score)
昵称：
退出 订阅评论
[Ctrl+Enter快捷键提交]
【推荐】百度智能云品牌升级，云服务器福利低至0.5折
【推荐】专业便捷的企业级代码托管服务 - Gitee 码云
【活动】2019第四届全球人工技术大会解码“智能+时代”
· caffe---测试模型分类结果并输出（python ）
· PowerDesigner模型分类
· 机器学习之模型评价指标
· 混合高斯模型分类
· 机器学习-模型评价指标
· 小米手机预装的安全应用被发现存在安全隐患
· 金山云、小米金融、新网银行达成战略合做 共建金融科技新生态
· 英国淘汰纸质火车票 代之以手机智能车票
· 特斯拉加快部署第三代Autopilot自动驾驶计算机
· 台积电一季度营收71亿美圆 下滑12%
» 更多新闻...