1 介紹 TP, TF, FP, FN

??????? TP, TF, FP, FN 是針對二分類任務預測結果得到的值，這四個值構成了混淆矩陣；

??????? 如下圖的混淆矩陣：

??????? 左側表示真實的標簽，human標記為0； fake標記為1；

??????? 右側部分predicted class表示預測的標簽；

??????? 因此： TN表示（True -- 預測正確， Negitive, 預測為0）預測標簽為0(human)，預測正確；

???????????????????? FN表示（False -- 預測錯誤，Negitive, 預測為0）預測標簽為0(human)，預測錯誤；

???????????????????? FP表示? (False -- 預測錯誤, Positive, 預測為1）預測標簽為1(fake)，預測錯誤；

???????????????????? TP表示（True -- 預測正確， Positive, 預測為1）預測標簽為1(fake)，預測正確；

2 介紹f1, precision, recall, acc, MCC

????????f1, precision, recall, acc, MCC是由上述混淆矩陣的四個值計算得到的；

??????? 計算公式：

??????? ?

? ? ? ? ? ? ? ? acc預測的真實結果，總體數據中，有多少數據被預測正確了；

????????

? ? ? ? ? ? ? ? recall 預測為bot且預測正確的數量占全部預測為bot數量的比例；

????????

? ? ? ? ? ? ? ? Precision 預測為bot且預測正確的數量占實際為bot數量的比例；

????????

??????? MCC =

? ? ? ? f1 和 Mcc為綜合評價指標；

上述五個指標優劣分析：

????????準確度(acc)衡量有多少樣本在兩個類中被正確識別，但它不表示一個類能否被另一個類更好地識別；

????????高精確度(Precision)表明許多被識別為1(bot)的樣本被正確識別，但它沒有提供有關尚未識別的1(bot)樣本的任何信息；

????????該信息由召回指標(recall)提供，表示在整個1(bot)樣本集中有多少樣本被正確識別：低召回意味著許多1(bot)樣本未被識別；

??????? F1 和 MCC 試圖在以一個單一的值中傳達預測的質量，并結合其他指標。

????????MCC 被認為是 F1 的無偏版本，因為它使用了混淆矩陣的所有四個元素。 MCC 值接近 1 表示預測非常準確；接近 0 的值意味著預測并不比隨機猜測好，接近 -1 的值意味著預測與真實類別嚴重不一致。

????????

總結

以上是生活随笔為你收集整理的机器学习评估指标 - f1, precision, recall, acc, MCC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。