误差的表示方法

$误差(ACC)=\frac{TP+TN}{TP+TN+FP+FN}$误差(ACC)=TP+TN+FP+FNTP+TN​

$精确率(Precision)=\frac{TP}{TP+FP}$精确率(Precision)=TP+FPTP​

$召回率(Recall)=\frac{TP}{TP+FN}$召回率(Recall)=TP+FNTP​

用一个F1值来综合评估召回率和精确率,它是精准率和召回率的调和平均:

$\frac {1}{F_1}=\frac {1}{P}+\frac {1}{R}$F1​1​=P1​+R1​

有时候,我们用一个参数$\beta$β来度量二者之间的关系

$F_{\beta}=\frac {(1+\beta^2)*P*R}{\beta^{2}*(P+R)}$Fβ​=β2∗(P+R)(1+β2)∗P∗R​

• 如果$\beta>1$β>1召回率有更大影响
• 如果$\beta<1$β<1精确率有更大影响
• 如果$\beta=1$β=1召回率和精确率的影响能力相同

灵敏度(真阳率):

$TPR=\frac{TP}{TP+FN}$TPR=TP+FNTP​
识别的正例占全部实际正例的比例

特异度(假阳率):

$FPR=\frac{FP}{TN+FP}$FPR=TN+FPFP​
识别的假阳例占所有负例的比例

例A:

结论:
由图中可以看出,在较小的假阳概率下,算法1的真阳性概率更大,围出的面积(AUC)也较大,因此算法1较好.

例B:

结论:
由图中可以看出,在相同的召回率下,算法1的精确率更高,因此算法1较好.