機器學習效能度量指標:ROC曲線、查準率、查全率、F1
阿新 • • 發佈：2018-11-27
錯誤率
在常見的具體機器學習演算法模型中，一般都使用錯誤率來優化loss function來保證模型達到最優。
\[錯誤率=\frac{分類錯誤的樣本}{樣本總數}\]
\[error_rate=\frac{1}{m} \sum_{i=1}^{m} I(f(x_{i})\neq y_{i})\]
但是錯誤率有一個嚴重的缺點:
錯誤率會掩蓋樣本如何被錯誤分類事實，這樣對於有的問題很難進行下一步的分析
混淆矩陣 confusion matrix
真正例: True Positive
真反例: True Negative
假正例: False Positive
假反例: False Negative
下面是一個二分類的混淆矩陣:
| 真實 | 預測 | 結果 |
|---|---|---|
| 情況 | 正例 | 反例 |
| 正例 | TP(真正) | FN(假反) |
| 反例 | FP(假正) | TN(真反) |
查準率(正確率):
\[precision=\frac{真正正確的個數}/{分類中正確的個數}\]
\[P=\frac{TP}{TP+FP}\]
查全率(召回率)：
\[recall=\frac{預測為正確的個數}{真實情況正確的個數}\]
\[R=\frac{TP}{TP+FN}\]