机器学习分类模型评价指标总结(准确率、精确率、召回率、Fmax、TPR、FPR、ROC曲线、PR曲线,AUC,AUPR)

发布时间:2024年01月22日

为了看懂论文,不得不先学一些预备知识((55555

主要概念

解释见图

TP、FP、TN、FN

准确率、精确率(查准率)、召回率(查全率)

真阳性率TPR、伪阳性率FPR

F1-score=2TP/(2*TP+FP+FN)

最大响应分数Fmax为F1-score的最大值(在最佳阈值的前提下)

如下图:

HR指标(命中率):正确分类的样本数 / 样本总数

ROC曲线、AUC指标:

PR曲线、AUPR指标:

AP指标(平均精确度):在多标签分类任务中,分类别计算PR曲线,AP值为每个类别的AUPR

mAP指标:把AP值根据每个类别的样本量做加权平均,得到mAP

关于AUC和AUPR的计算方法:

【评价指标】如何计算模型评估中的AUC和AUPR值_aupr左上角为1-CSDN博客

文章来源:https://blog.csdn.net/C20180602_csq/article/details/135752847
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。