DeepLearning几个关键名词解释

 

Precision:精确率

Recall:召回率

Accuracy:准确率

F1 Score:F1分数

计算公式:

precision = TP / (TP + FP)
recall = TP / (TP + FN)
accuracy = (TP + TN) / (TP + FP + TN + FN)
F1 Score = P*R/2(P+R)，其中P和R分别为 precision 和 recall

须要知道的TP、FP、TN、FN

- TP，True Positive
- FP，False Positive
- TN，True Negative
- FN，False Negative

大概意思是  真正 假正   真负 假负
例如:
举个简单的二元分类问题 例子：

假设，咱们要对某一封邮件作出一个断定，断定这封邮件是垃圾邮件、仍是这封邮件不是垃圾邮件？

若是断定是垃圾邮件，那就是作出（Positive）的断定；
若是断定不是垃圾邮件，那就作出（Negative）的断定。

True Positive（TP）意思表示作出Positive的断定，并且断定是正确的。所以，TP的数值表示正确的Positive断定的个数。
同理，False Positive（TP）数值表示错误的Positive断定的个数。
依此，True Negative（TN）数值表示正确的Negative断定个数。
False Negative（FN）数值表示错误的Negative断定个数。