分類任務

TP,TN,FN,FP

這是個很直覺的分類，T在開頭說明這個是完全正確的。F開頭就說明是完全錯誤的。

• 真正例(True Positive, TP)：被模型預測為正的正樣本；

• 假正例(False Positive, FP)：被模型預測為正的負樣本；

• 假負例(False Negative, FN)：被模型預測為負的正樣本；

• 真負例(True Negative, TN)：被模型預測為負的負樣本；

ACC精確度

在精確度中，ACC是最直覺的一種方式：

這里是將所有的預算結果與預測正確的做比率，得到的結果。但同時，這個評價指標很容易受到樣本數量以及樣本是否均衡帶來的影響。

Precision精確率

對于精確率來說，關注點在于，對于所有預測為正的數據中(有預測正確的，也有預測錯誤的)。其中預測正確的比率：

FP是假預測，TP是真的預測

召回率Recall

這里還是關注于正樣本。在樣本中的所有真正的正樣本里，有多少比率是預測對了，如同下圖：

總結

以上是生活随笔為你收集整理的一文读懂机器学习的常用模型评价指标的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。