这个图表展示了二分类问题中常用的各种评价指标及其计算公式。以下是对每个指标的详细分析和总结：
图表结构分析
-
总样本数 (Total population)：
- ( P + N )：总样本数，包括正类样本和负类样本。
-
实际情况 (Actual Condition)：
- 正类 (Positive, P)：实际为正类的样本数。
- 负类 (Negative, N)：实际为负类的样本数。
-
预测情况 (Predicted Condition)：
- 预测为正类 (Predicted Positive, PP)：被预测为正类的样本数。
- 预测为负类 (Predicted Negative, PN)：被预测为负类的样本数。
-
混淆矩阵 (Confusion Matrix)：
- 真正类 (True Positive, TP)：实际为正类且被正确预测为正类的样本数。
- 假负类 (False Negative, FN)：实际为正类但被错误预测为负类的样本数。
- 假正类 (False Positive, FP)：实际为负类但被错误预测为正类的样本数。
- 真负类 (True Negative, TN)：实际为负类且被正确预测为负类的样本数。
各指标的含义及意义
-
准确率 (Accuracy, ACC)：
- 公式：( \(\text{ACC} = \frac{TP + TN}{P + N}\) )
- 含义：预测正确的样本数占总样本数的比例。
- 意义：衡量模型整体的预测准确性。
-
精确率 (Precision, PPV)：
- 公式：( $\text{PPV} = \frac{TP}{TP + FP} $)
- 含义：预测为正类的样本中实际为正类的比例。
- 意义：衡量模型在预测正类时的准确性。
-
召回率 (Recall, TPR)：
- 公式：( \(\text{TPR} = \frac{TP}{P}\) )
- 含义：实际为正类的样本中被正确预测为正类的比例。
- 意义：衡量模型对正类样本的识别能力。
-
特异性 (Specificity, TNR)：
- 公式：( \(\text{TNR} = \frac{TN}{N}\) )
- 含义：实际为负类的样本中被正确预测为负类的比例。
- 意义：衡量模型对负类样本的识别能力。
-
假正率 (False Positive Rate, FPR)：
- 公式：( \text{FPR} = \frac{FP}{N} )
- 含义：实际为负类的样本中被错误预测为正类的比例。
- 意义：衡量模型在负类样本中的误报率。
-
假负率 (False Negative Rate, FNR)：
- 公式：( \(\text{FNR} = \frac{FN}{P}\) )
- 含义：实际为正类的样本中被错误预测为负类的比例。
- 意义：衡量模型在正类样本中的漏报率。
-
F1分数 (F1 Score)：
- 公式：( \(\text{F1} = \frac{2 \cdot \text{PPV} \cdot \text{TPR}}{\text{PPV} + \text{TPR}}\) )
- 含义：精确率和召回率的调和平均数。
- 意义：综合衡量模型的精确率和召回率。
-
平衡准确率 (Balanced Accuracy, BA)：
- 公式：( \(\text{BA} = \frac{TPR + TNR}{2}\) )
- 含义：召回率和特异性的平均值。
- 意义：在类别不平衡的情况下，衡量模型的整体表现。
-
Matthews相关系数 (Matthews Correlation Coefficient, MCC)：
- 公式：( \(\text{MCC} = \frac{TP \cdot TN - FP \cdot FN}{\sqrt{(TP + FP)(TP + FN)(TN + FP)(TN + FN)}}\) )
- 含义：考虑了TP、TN、FP和FN的综合指标。
- 意义：在类别不平衡的情况下，衡量模型的分类性能。
-
诊断比值比 (Diagnostic Odds Ratio, DOR)：
-
公式：( \(\text{DOR} = \frac{TP \cdot TN}{FP \cdot FN}\) )
-
含义：真正类和假正类的比值与假负类和真负类的比值之比。
-
意义：衡量模型区分正类和负类的能力。
-
-
假发现率 (False Discovery Rate, FDR)：