特異度（specificity）與靈敏度（sensitivity）

https://www.jianshu.com/p/7919ef304b19

查全率（Recall），查準率（Precision），靈敏性（Sensitivity），特異性（Specificity），F1，PR曲線，ROC，AUC的應用場景

https://www.e-learn.cn/content/qita/2520407

（具體其他指標見網址，這里直拿出recall，pre，sen，spe，之間的關系）

查全率（Recall）：recall是相對真實的情況而言的：假設測試集里面有100個正類，如果模型預測出其中40個是正類，那模型的recall就是40%。查全率也稱為召回率，等價于靈敏性（Sensitivity）和真正率（True Positive Rate，TPR）。

（P，特異性（specificity）相當看正確預測的負類占所有負類的總和，而準確率（accuracy）相當正類負類所有的正確的預測數量占所有數量的總和。另外，對于我個人用的分類，靈敏性和特異性只需要其中一個就行）

查準率（Precision）：precision是相對模型的預測結果而言的：假設模型一共預測出了100個正類，其中80個是正確的，那么precision就是80%。

混淆矩陣

https://baike.baidu.com/item/%E6%B7%B7%E6%B7%86%E7%9F%A9%E9%98%B5/10087822?fr=aladdin

多分類

https://blog.csdn.net/ybdesire/article/details/98099809

總結

以上是生活随笔為你收集整理的整理分类评价指标【TPR、TNR、pre、F1、混淆矩阵】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。