机器学习基础概念：查准率、查全率、ROC、混淆矩阵、F1-Score 机器学习实战：分类器

对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例TP、假正例FP、真反例TN、假反例FN四种，令TP、FP、TN、FN分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数，分类结果的“混淆矩阵”为：

查准率P：
p=TPTP+FP p=\frac{TP}{TP+FP} p=TP+FPTP​
查全率R：
R=TPTP+FN R=\frac{TP}{TP+FN} R=TP+FNTP​
查准率和查全率是一对矛盾的度量，一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。
我们可以根据学习器的预测结果对样例进行排序，排在前面的是学习器认为“最可能”是正例的样本，排在最后的是学习器认为“最不可能”是正例的样本，按此顺序逐个将样本作为正例进行预测，则每次都可以计算出当前的查全率、查准率。以查准率为纵轴，查全率为横轴作图就得到了“P-R曲线”，下面给出P-R曲线与平衡点的示意图：
原创文章 14获赞 27访问量 1284 关注 私信 展开阅读全文
作者：混混度日的咸鱼

roc 实战 混淆矩阵 查准率 机器学习实战 查全率 学习 分类 分类器 f1 机器学习 矩阵