P,R,F1 等性能度量（二分类、多分类）

总结自《机器学习》周志华 2.3

目录

最常用的是查准率P（precision），查全率R（recall），F1

一、对于二分类问题

二、对于多分类问题

1.macro

2.micro


最常用的是查准率P（precision），查全率R（recall），F1

一、对于二分类问题

混淆矩阵（confusion matrix）：
 

  预测结果   
真实情况 正例  反例 
正例  TP，true positive,真正 FN，false negative 假反
反例  FP ，false positive,假正 TN，true negative 真反

P = \frac{TP}{TP+FP}      查准率=真正 / (真正+假正) = predicted and true positive/ predicted positive

R= \frac{TP}{TP+FN}   查全率= 真正 /(真正+假反) = predicted and true positive/ true positive

P , R是一对矛盾的度量，一般一个的值高了，另一个的值就会降低，

P-R图：

若学习器A的 P-R曲线 将学习器B的 P-R曲线 完全包住，则学习器A 在该问题上 优于 B

若A B的P-R曲线有交叉， 则比较P-R曲线下面积的大小，越大越好

 

平衡点 break even point BEP，是P==R 时的取值

F值度量：

F1=\frac{2\times P\times R}{P+R}                                F1=\frac{2\times TP}{n+TP-TN}    ,n为样例总数

F_{\beta }=\frac{(1+\beta^{2})\times P\times R}{(\beta^{2}\times P)+R}          β>1，R有更大影响，β<1,P有更大影响

 

二、对于多分类问题

多分类问题，每两两类别组合，构成n个二分类问题，每个二分类问题对应一个混淆矩阵

1.macro

先在各个混淆矩阵上分别计算P,R, 再求平均得到 宏查准率macro-P, 宏查全率macro-R,

基于宏查准率macro-P, 宏查全率macro-R,计算 宏F1 macro-F1

macro-P=\frac{1}{n}\sum_{i=1}^{n}P_i             macro-R=\frac{1}{n}\sum_{i=1}^{n}R_i

marco-F1=\frac{2\times macroP\times macroR}{marcoP+marcoR}

2.micro

将各个混淆矩阵的对应元素进行平均，得到TP,FP,TN,FN的平均值：\overline{TP} , \overline{FP}, \overline{TN}, \overline{FN}

micro-P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}      micro-R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}

micro-F1=\frac{2\times microP\times microR }{microP+microR}

 

转载：https://blog.csdn.net/k411797905/article/details/89735604#%E6%9C%80%E5%B8%B8%E7%94%A8%E7%9A%84%E6%98%AF%E6%9F%A5%E5%87%86%E7%8E%87P%EF%BC%88precision%EF%BC%89%EF%BC%8C%E6%9F%A5%E5%85%A8%E7%8E%87R%EF%BC%88recall%EF%BC%89%EF%BC%8CF1
 

posted @ 2019-09-05 17:02  算法技术前沿  阅读(1219)  评论(0)  编辑  收藏  举报