评估指标

标签：正类 frac text precision 指标 FPR 负类 评估

	正类	负类
被检测到	TP	FP
未被检测到	TN	FN

true真的，false假的

positives正类，negatives负类

TP为正类检测为正类，FP为负类检测为正类

FN为正类检测为 d负类，TN为负类检测为负类

召回率（查全率）

\[recall =\frac{T P}{T P+F N} \]

精度（查准率）

\[precision =\frac{T P}{T P+F P} \]

F1 score

\[F_{1}=\frac{2}{\frac{1}{\text { precision }}+\frac{1}{\text { recall }}}=2 \times \frac{\text { precision } \times \text { recall }}{\text { precision }+ \text { recall }}=\frac{T P}{T P+\frac{F N+F P}{2}} \]

ROC曲线

\[TPR =\frac{T P}{T P+F N} \]

\[FPR =\frac{F P}{F P+T N} \]

横坐标是FPR，纵坐标是TPR，取不同阈值下的FPR和TPR绘制曲线。

如果曲线接近对角线或者在对角线以下，那么基本上就是瞎猜了。好的模型应该更加向着左上角凸出，因为，左上角表示预测正确。

根据ROC曲线，求出曲线和FPR轴围成的面积为AUC值，完美是1，随机分类器是0.5。

标签：正类,frac,text,precision,指标,FPR,负类,评估
From： https://www.cnblogs.com/CallMeRoot/p/18038681