P,R,F1 等性能度量（二分类、多分类）

总结自《机器学习》周志华 2.3

目录

最常用的是查准率P（precision），查全率R（recall），F1

一、对于二分类问题

二、对于多分类问题

1.macro

2.micro

---

一、对于二分类问题

混淆矩阵（confusion matrix）：
 

	预测结果
真实情况	正例	反例
正例	TP，true positive,真正	FN，false negative 假反
反例	FP ，false positive,假正	TN，true negative 真反

      查准率=真正 / (真正+假正) = predicted and true positive/ predicted positive

   查全率= 真正 /(真正+假反) = predicted and true positive/ true positive

P , R是一对矛盾的度量，一般一个的值高了，另一个的值就会降低，

P-R图：

若学习器A的 P-R曲线 将学习器B的 P-R曲线 完全包住，则学习器A 在该问题上 优于 B

若A B的P-R曲线有交叉， 则比较P-R曲线下面积的大小，越大越好

 

平衡点 break even point BEP，是P==R 时的取值

F值度量：

                                    ,n为样例总数

          β>1，R有更大影响，β<1,P有更大影响

 

二、对于多分类问题

多分类问题，每两两类别组合，构成n个二分类问题，每个二分类问题对应一个混淆矩阵

1.macro

先在各个混淆矩阵上分别计算P,R, 再求平均得到 宏查准率macro-P, 宏查全率macro-R,

基于宏查准率macro-P, 宏查全率macro-R,计算 宏F1 macro-F1

             

2.micro

将各个混淆矩阵的对应元素进行平均，得到TP,FP,TN,FN的平均值：

      

 

转载：https://blog.csdn.net/k411797905/article/details/89735604#%E6%9C%80%E5%B8%B8%E7%94%A8%E7%9A%84%E6%98%AF%E6%9F%A5%E5%87%86%E7%8E%87P%EF%BC%88precision%EF%BC%89%EF%BC%8C%E6%9F%A5%E5%85%A8%E7%8E%87R%EF%BC%88recall%EF%BC%89%EF%BC%8CF1