分類精度評價
阿新 • • 發佈：2018-12-20
1、混淆矩陣(以二分類為例)
| 標準集 | ||
| 驗證集 | 真實的P樣本（positive） | 真實的N樣本（Negtive） |
| 預測的P樣本 | TP(預測的P是真的) | FP(預測的P是假的) |
| 預測的N樣本 | FN(預測的N是假的) | TN（預測的N是真的） |
現在開始解釋各種真陽、假陰。
舉例：由醫學引入機器學習；
一個病人，長了個腫瘤，去醫院檢查，分別有以下情況：
1、真實情況：惡性，檢查結果：惡性，這種情況就叫做：true positve，姑且稱為真陽性吧。
2、真實情況：良性，檢查結果：惡性，這種情況就叫做：false positve，假陽性。
3、真實情況：惡性，檢查結果：良性，這種情況就叫做：false negative，假陰性。
4、真實情況：良性，檢查結果：良性，這種情況就叫做：true negtive，真陰性。
好拗口，上表。（注意：陽性是有病，陰性是沒病）
| 金準集 | ||
| 某篩檢方法 | 陽性（惡性） | 陰性（良性） |
| 陽性（惡性） | TP(真陽性) | FP(假陽性) |
| 陰性（良性） | FN(假陰性) | TN（真陰性） |
發現一切命名以預測的結果為主。
2、真陽率與假陽率
真陽率（True Positive Rate, TPR）就是：
TP/(TP+FN) 含義是檢測出來的真陽性樣本數除以所有真實陽性樣本數。
假陽率（False Positive Rate, FPR）就是：
FP/(FP+TN) 含義是檢測出來的假陽性樣本數除以所有真實陰性樣本數
3、各種率
誤檢率：FP/(FP+TN)
查準率（精確度）：TP/(TP+FP) 反映了被分類器判定的正例中真正的正例樣本的比重
查全率（召回率）：TP/(TP+FN) 反映了被正確判定的正例佔總比例的比重
漏檢率： FN/(TP+FN)
4、漏警率，虛警率
漏警率: MA = FN/(TP+FN) ; 反映有多少個正例被漏判了。
虛警率： FA = FP/(TP+FP); 反映被判為正例樣本中，有多少個負例。