分类器性能评价指标

以二分类举例

 PositiveNegative
Predicted as PositiveTPFP
Predicted as NegativeFNTN

  • TPR = TP / (TP + FN)
  • TNR = TN / (TN + FP)
  • FPR = FP / (TN + FP)
  • FNR = FN / (TP + FN)

注意:XX-R关注于某类型判别该类型原属类别的数量比例。比如TPR中,关注TP,TP的原属类别是P,所以是TP占原P(即TP + FN)的数量比例。而FPR中,关注FP,FP的原属类别是N,所以是FP占原N(即TN + FP)的数量比例。


  • Precision = TP / (TP + FP)
  • Recall = TP / (TP + FN)

注意:此二指标都是关注于TP现P、原P的数量比例。其中,Precision对应(被判决的)现P,Recall对应原P,Recall == TPR。


  • F1-Score = 2 * Precision * Recall / (Precision + Recall)

注意:F1值同时考虑Precision和Recall。


  • ROC curve:x轴为FPR,y轴为TPR,左上角对应理想模型,左下角对应全判N模型,右上角对应全判P模型。曲线越接近左上角,对应模型越好。
  • AUC:ROC曲线下方的面积,评价模型平均性能。