分类性能度量指标：ROC曲线、AUC值、正确率、召回率、敏感度、特异度
在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更好地了解分类中的错误。 比如有这样一个在房子周围可能发现的动物类型的预测，这个预测的三类问题的混淆矩阵如下表所示： 利用混淆矩阵可以充分理解
相关文章
- 1. 分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
- 2. 【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
- 3. 准确度、精确度、召回率、ROC曲线、AUC值
- 4. 机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
- 5. 准确率，召回率，mAP，ROC，AUC，特异性，敏感性
- 6. 正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
- 7. 精确率 召回率 F1值 准确率 ROC曲线 AUC评价指标
- 8. 分类器性能度量指标之ROC曲线、AUC值
- 9. 模型评价(AUC，ROC曲线，ACC, 敏感性， 特异性，精确度，召回率，PPV, NPV, F1)
- 10. [总结]ROC曲线、AUC、准确度、召回率
- 更多相关文章...
- • PHP 获取图像宽度与高度 - PHP参考手册
- • 屏幕分辨率 统计 - 浏览器信息
- • 算法总结-广度优先算法
- • 算法总结-深度优先算法
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
- 2. 【机器学习】分类性能度量指标 : ROC曲线、AUC值、正确率、召回率、敏感度、特异度
- 3. 准确度、精确度、召回率、ROC曲线、AUC值
- 4. 机器学习之分类性能度量指标 : ROC曲线、AUC值、正确率、召回率
- 5. 准确率，召回率，mAP，ROC，AUC，特异性，敏感性
- 6. 正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
- 7. 精确率 召回率 F1值 准确率 ROC曲线 AUC评价指标
- 8. 分类器性能度量指标之ROC曲线、AUC值
- 9. 模型评价(AUC，ROC曲线，ACC, 敏感性， 特异性，精确度，召回率，PPV, NPV, F1)
- 10. [总结]ROC曲线、AUC、准确度、召回率