二值分类器的优劣判断
发布日期:2022-02-14 23:02:42
浏览次数:20
分类:技术文章
本文共 784 字,大约阅读时间需要 2 分钟。
- ACC
- TP: 判定正确的样本
- FP:判定错误的样本
- FN:应该判断正确,而没有判断/没有抽中的样本
- TP + FP:判断的总样本/抽取的总样本
- TP + FN:正确样本的总量
- : P = T P T P + F P P = \frac{TP}{TP + FP} P=TP+FPTP
- : R = T P T P + F N R = \frac{TP}{TP + FN} R=TP+FNTP
- : 2 F 1 = 1 P + 1 R = > F 1 = 2 × P × R P + R = > F 1 = 2 × T P 2 × T P + F P + F N \frac{2}{F1} = \frac{1}{P} + \frac{1}{R} => F1 = \frac{2 \times P \times R}{P + R} => F1 = \frac{2 \times TP}{2 \times TP + FP + FN} F12=P1+R1=>F1=P+R2×P×R=>F1=2×TP+FP+FN2×TP
-
- x x x轴:FPR(false positive rate):误纳率(误认为负类的样本为正类)
- y y y轴:正类样本中被判定为正类的样本,1-TPR也就是传说中的误拒率(误认为正类的样本为负类)
- 重要的四个点
- (0, 1): 完美分类器:错误率为0
- (1, 0): 错误率100%
- (0, 0):所有的样本均规定为负类:阈值过高
- (1, 1): 所有的样本均规定为正类:阈值过高
- : ROC曲线下的面积
- 总结
- ROC解决ACC的问题:ACC对于正负样本量差异巨大的情况下(全正/全负的情况下,acc依然很棒),无法说明分类器的好坏,而ROC可以
- ROC曲线并不能清晰的说明哪个分类器效果更好,而对AUC(ROC曲线下的面积)的值而言,值越大,分类器效果越好
转载地址:https://blog.csdn.net/fish2009122/article/details/103460485 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!
发表评论
最新留言
很好
[***.229.124.182]2024年03月26日 14时24分31秒
关于作者
喝酒易醉,品茶养心,人生如梦,品茶悟道,何以解忧?唯有杜康!
-- 愿君每日到此一游!
推荐文章
HDU4725(spfa+双端队列优化)
2019-04-26
PowerOj 2392(树状数组 or CDQ分治)
2019-04-26
HDU 6119(区间交叉问题)
2019-04-26
hdu 6143(精妙的递推)
2019-04-26
数位dp
2019-04-26
Power oj 2540 (FFT卷积)
2019-04-26
hdu 6165(dfs or bfs or tarjan+topsort)
2019-04-26
hdu 6168(stl)
2019-04-26
hdu 6170(正则表达式)
2019-04-26
排列组合 "n个球放入m个盒子m"问题 总结(转)
2019-04-26
codeforces845C(stl)
2019-04-26
图的几种存储方式(邻接矩阵+邻接表+vector)
2019-04-26
[LeetCode] 67. 二进制求和(简单模拟二进制求和)
2019-04-26
HDU1233(基础最小生成树 prim和 kruskal)
2019-04-26
终于找到可以一文多发的平台了!
2019-04-26
IntelliJ IDEA 2019 快捷键终极大全,速度收藏!
2019-04-26
第3章-5 字符转换 (15分)【python】
2019-04-26
L1-068 调和平均 (10 分)
2019-04-26
L1-069 胎压监测 (15 分)
2019-04-26