机器学习分类模型评价指标总结（准确率、精确率、召回率、Fmax、TPR、FPR、ROC曲线、PR曲线，AUC，AUPR）
TP、FP、TN、FN准确率、精确率（查准率）、召回率（查全率）真阳性率TPR、伪阳性率FPRF1-score=2TP/(2*TP+FP+FN)最大响应分数Fmax为F1-score的最大值（在最佳阈值的前提下）
·
为了看懂论文，不得不先学一些预备知识（（55555
主要概念
解释见图
TP、FP、TN、FN
准确率、精确率（查准率）、召回率（查全率）
真阳性率TPR、伪阳性率FPR
F1-score=2TP/(2*TP+FP+FN)
最大响应分数Fmax为F1-score的最大值（在最佳阈值的前提下）
如下图：
HR指标（命中率）：正确分类的样本数 / 样本总数
ROC曲线、AUC指标：
PR曲线、AUPR指标：
AP指标（平均精确度）：在多标签分类任务中，分类别计算PR曲线，AP值为每个类别的AUPR
mAP指标：把AP值根据每个类别的样本量做加权平均，得到mAP
关于AUC和AUPR的计算方法：
脑启社区是一个专注类脑智能领域的开发者社区。欢迎加入社区，共建类脑智能生态。社区为开发者提供了丰富的开源类脑工具软件、类脑算法模型及数据集、类脑知识库、类脑技术培训课程以及类脑应用案例等资源。
更多推荐
13
0- 0
已为社区贡献1条内容
所有评论(0)