当前位置：首页 > news >正文

网站建设外包费用软件技术专业课程

news 2025/9/17 0:16:36

网站建设外包费用,软件技术专业课程,可以自己制作头像的网站,wordpress默认后台密码1. 混淆矩阵 (Confusion Matrix) 预测正类预测负类实际正类 (P)True Positive (TP)False Negative (FN)实际负类 (N)False Positive (FP)True Negative (TN) True Positive (TP): 模型正确预测为正类的样本数。True Negative (TN): 模型正确预测为负类的样本数。False Positi…

1. 混淆矩阵 (Confusion Matrix)

	预测正类	预测负类
实际正类 (P)	True Positive (TP)	False Negative (FN)
实际负类 (N)	False Positive (FP)	True Negative (TN)

True Positive (TP): 模型正确预测为正类的样本数。
True Negative (TN): 模型正确预测为负类的样本数。
False Positive (FP): 模型错误预测为正类的负类样本数（“假阳性”）。
False Negative (FN): 模型错误预测为负类的正类样本数（“假阴性”）。

2. 常见评价指标

(1) 准确率 (Accuracy)

准确率是模型整体预测正确的比例：

$\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$

适用场景: 类别平衡时适用。
局限性: 不适用于类别不平衡的问题。例如，若正类样本占比 99%，即使模型始终预测为正类，准确率也会很高，但模型实际效果差。

(2) 精确率 (Precision)

精确率衡量模型预测为正类的样本中，实际为正类的比例：

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

适用场景: 注重 假阳性成本较高 的问题（如垃圾邮件分类，误报可能会打扰用户）。
局限性: 忽略了 FN 的影响，无法全面衡量模型性能。

(3) 召回率 (Recall) / 灵敏度 (Sensitivity) / 真阳性率 (True Positive Rate, TPR)

召回率衡量实际正类样本中，模型正确预测为正类的比例：

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

适用场景: 注重 假阴性成本较高 的问题（如疾病诊断，漏诊可能带来严重后果）。
局限性: 忽略了 FP 的影响。

(4) 特异性 (Specificity) / 真负率 (True Negative Rate, TNR)

特异性衡量实际负类样本中，模型正确预测为负类的比例：

$\text{Specificity} = \frac{TN}{TN + FP}$

适用场景: 注重负类预测准确性的场景（如安全监控中避免误报）。

(5) F1 分数 (F1-Score)

F1 分数是精确率和召回率的调和平均值，用于平衡两者：

$\text{F1-Score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$

适用场景: 精确率和召回率同样重要时。
局限性: 无法区分精确率和召回率哪个更重要。

(6) 平均准确率 (Balanced Accuracy)

平衡准确率是正类和负类的平均识别率：

$\text{Balanced Accuracy} = \frac{\text{Sensitivity} + \text{Specificity}}{2}$

适用场景: 适合类别不平衡数据。

(7) ROC 曲线和 AUC 值

ROC 曲线: 以 假阳性率 (FPR) 为横轴，真阳性率 (TPR) 为纵轴绘制的曲线。
- $FPR = \frac{FP}{FP + TN}$
- $TPR = \frac{TP}{TP + FN}$
AUC (Area Under the Curve): ROC 曲线下的面积，用于衡量分类器区分正负类的能力。
- AUC 越接近 1，分类器性能越好。