本文介绍: 这些指标提供了关于分类模型性能的综合信息,可以帮助评估模型在不同方面的表现。是用于评估分类模型性能的表格,它展示了模型在不同类别上的预测情况。假设有两个类别:正例(Positive)和负例(Negative)。实际为正例的样本中被正确预测为正例的比例,计算公式为。分类正确的样本数占总样本数的比例,计算公式为。正例预测正确的比例,计算公式为。
混淆矩阵是用于评估分类模型性能的表格,它展示了模型在不同类别上的预测情况。对于二分类问题,混淆矩阵的构成如下:
假设有两个类别:正例(Positive)和负例(Negative)。
- 真正例(True Positive, TP): 模型正确地预测为正例的样本数量。
- 真负例(True Negative, TN): 模型正确地预测为负例的样本数量。
- 假正例(False Positive, FP,也称为误报): 模型错误地将负例预测为正例的样本数量。
- 假负例(False Negative, FN,也称为漏报): 模型错误地将正例预测为负例的样本数量。
预测为正例 | 预测为负例 | |
实际为正例 | TP | FN |
实际为负例 | FP | TN |
-
准确率(Accuracy): 分类正确的样本数占总样本数的比例,计算公式为
(TP + TN) / (TP + TN + FP + FN)
。 -
召回率(Recall): 实际为正例的样本中被正确预测为正例的比例,计算公式为
TP / (TP + FN)
。 -
F1 分数(F1 Score): 精确率和召回率的调和平均数,计算公式为
2 * (Precision * Recall) / (Precision + Recall)
。
这些指标提供了关于分类模型性能的综合信息,可以帮助评估模型在不同方面的表现。
原文地址:https://blog.csdn.net/qq_42536162/article/details/134612179
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。
如若转载,请注明出处:http://www.7code.cn/show_17729.html
如若内容造成侵权/违法违规/事实不符,请联系代码007邮箱:suwngjj01@126.com进行投诉反馈,一经查实,立即删除!
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。