【评估指标】分类评估指标之混淆矩阵与ROC/AUC曲线
其他
2020-03-11 13:11:32
阅读次数: 0
混淆矩阵相关知识:
- Precision(查准率):
Precision=TP+FPTP
- Recall(查全率):
Recall=TP+FNTP
- F1-Score(P与R的调和平均):
F1=Precison1+Recall12
- 混淆矩阵帮助理解图(该图反映的案例是识别手写数字5):
ROC/AUC曲线:
- 该曲线是常用的二分类模型评估标准,甚至比混淆矩阵相关指标更常用。
- 该曲线图横轴表示FPR(False Positive Rate),纵轴表示的是TPR(True Positive Rate)。
- 图的曲线表示ROC(receiver operating characteristic),曲线下的面积就是AUC面积值。
- 通常来说AUC面积越接近1越好(ROC曲线越靠近左上方),却接近0.5越差(ROC曲线越靠近图的对角线)
- ROC/AUC曲线示意图:
相关python实现代码见专门的模版文章。
发布了40 篇原创文章 ·
获赞 0 ·
访问量 1707
转载自blog.csdn.net/weixin_44680262/article/details/104684059