非侵入式电荷负载分解NILM中的评价指标

非侵入式电荷负载分解，即将一个家庭中的总功率数据分解到家庭中的每个电器的消耗功率上。简单理解，就是将总功率的曲线分解成各个电器的曲线。那么我们以什么为评价指标来评估分解性能的好坏呢？

下面简单介绍下几个评价指标，一个是平均绝对误差。公式如下所示：

M A E = \frac{1}{T} \sum_{t = 1}^{T} | g_{t} - p_{t} |

$MAE = \frac{1}{T}\sum_{t = 1}^T|g_t - p_t|$

其中T是时间， $g_t$ 表示t时刻的的真实值， $p_t$ 表示t时刻的预测值。

下面简单介绍下几个机器学习的常用指标，以下的机器学习评价指标同样也适用于NILM实验。机器学习分类任务常用的评价指标有准确率、精确度、召回率、F值。在熟悉这戏评价指标之前，首先熟悉一下以下几个定义：
TP: 真正（True Positive），真实值是正类的被判定为正类

FP: 假正 (False Positive)，真实值是负类的被判定为正类

TN: 真负 (True Negative)，真实值是负类的被判定为负类

FN: 假负（False Negative）,真实值是正类的被判定为负类

解释以下，也方便自己的记忆：以上的名词都是对分类的预测值而言的，比如说真正，“正”是判定为正的，而真正说明真实值也是正的。假正，“正”说明被分类器分类为正类的，而“假”说明分类出来的“正”是假的，说明真实值与预测值是相反的，是负类。真负，“负”被分类器分类为负类，而“真”说明真实值与预测值是一样的，也是负类。假负，“负”被分类器分类为负类，“假”说明真实值和预测值是相反的，真实值是正类的。

准确率（Accuracy）：

A c c = \frac{T P + T N}{P + N}

$Acc = \frac{TP + TN}{P + N}$

精确度（Precision）：

P r e c i s i o n = \frac{T P}{T P + F P}

$Precision = \frac{TP}{TP + FP}$

召回率（Recall）：

R e c a l l = \frac{T P}{T P + F N}

$Recall = \frac{TP}{TP + FN}$

F1值（F1 score）:

$F1 = \frac{precition * recall}{precision + recall}$

准确率可以简单理解为被正确预测的样本个数占数据集样本总数的比例。

精确度的分母是真正和假正的和，也就是原来是正的，预测也为正的的样本与原来是负的，预测为正的的样本数的和。分母可以总结为所有预测为正类的样本，这样精确度就是被预测为正类的样本中实际也为正类的比例。

召回率的分母是所有被预测正确的样本的个数，分子是真正的样本的个数，那么召回率所有被预测正确的样本中正类被预测正确的比例，召回率又称为查全率

准确率与召回率的区别是什么呢？这里引用一下知乎用户Charles Xiao的解释：

实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。

F1值是权衡准确率和召回率的综合指标。
后期会放上这些指标的python代码

非侵入式电荷负载分解NILM中的评价指标

猜你喜欢