AUC、Precision、Recall、F-measure、Accuracy 浅浅的花香味﹌ 2022-05-11 04:34 119阅读 0赞 # 机器学习常见评价指标：AUC、Precision、Recall、F-measure、Accuracy # * 主要内容 * AUC的计算 * Precision、Recall、F-measure、Accuracy的计算 -------------------- **1、AUC的计算** AUC是一个模型评价指标，用于二分类模型的评价。AUC是“Area under Curve（曲线下的面积）”的英文缩写，而这条“Curve（曲线）”就是ROC曲线。 为什么要用AUC作为二分类模型的评价指标呢？为什么不直接通过计算准确率来对模型进行评价呢？答案是这样的：机器学习中的很多模型对于分类问题的预测结果大多是概率，即属于某个类别的概率，如果计算准确率的话，就要把概率转化为类别，这就需要设定一个阈值，概率大于某个阈值的属于一类，概率小于某个阈值的属于另一类，而阈值的设定直接影响了准确率的计算。使用AUC可以解决这个问题，接下来详细介绍AUC的计算。 例如，数据集一共有5个样本，真实类别为（1，0，0，1，0）；二分类机器学习模型，得到的预测结果为（0.5，0.6，0.4，0.7，0.3）。将预测结果转化为类别——预测结果降序排列，以每个预测值（概率值）作为阈值，即可得到类别。计算每个阈值下的“True Positive Rate”、“False Positive Rate”。以“True Positive Rate”作为纵轴，以“False Positive Rate”作为横轴，画出ROC曲线，ROC曲线下的面积，即为AUC的值。 那么什么是“True Positive Rate”、“False Positive Rate”？ 首先，我们看如下的图示： ![这里写图片描述][SouthEast] 然后，我们计算两个指标的值： TruePositiveRate=TPTP\+FNTruePositiveRate=TPTP+FN，代表将真实负样本划分为正样本的概率 接着，我们以“True Positive Rate”作为纵轴，以“False Positive Rate”作为横轴，画出ROC曲线，ROC曲线下的面积，即为AUC的值。类似下图： ![这里写图片描述][SouthEast 1] **2、Precision、Recall、F-measure、Accuracy的计算** 首先，我们看如下图示（与上边的图示相同）： ![这里写图片描述][SouthEast 2] 精确率（Precision）：Precision=TPTP+FPPrecision=TPTP+FP 召回率（Recall）：Recall=TPTP+FNRecall=TPTP+FN F-measure：F−measure=2×Precision×RecallPrecision+Recall F−measure=2×Precision×RecallPrecision+Recall 准确率（Accuracy）：Accuracy=TP+TNTP+TN+FP+FNPrecision=TPTP\+FPPrecision=TPTP+FP 关于聚类的评价指标可以参考文章： [Clustering Algorithms and Evaluations][] [Evaluation of clustering][] [F-measure、RI 的计算][F-measure_RI] [SouthEast]: /images/20220511/84b92a56ff1a4e80b9b5dfa146db71a5.png [SouthEast 1]: /images/20220511/b0d42f0d3b76429c86ec2f5959c112ba.png [SouthEast 2]: /images/20220511/f41da1bb6ff244ff9ec5d40a44a0b0c2.png [Clustering Algorithms and Evaluations]: http://www.ims.uni-stuttgart.de/institut/mitarbeiter/schulte/theses/phd/algorithm.pdf [Evaluation of clustering]: https://nlp.stanford.edu/IR-book/html/htmledition/evaluation-of-clustering-1.html [F-measure_RI]: http://www.doc88.com/p-8961955730484.html
还没有评论，来说两句吧...