机器学习中常用的性能度量（评价指标）
混淆矩阵
在了解这几个常用指标之前，首先我们先了解一下混淆矩阵。
混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。
如图所示，混淆矩阵中包含以下四种数据：真正(True Positive , TP)： 被模型预测为正的正样本；假正(False Positive , FP)：被模型预测为正的负样本；假负(False Negative , FN)：被模型预测为负的正样本；真负(True Negative , TN)：被模型预测为负的负样本。
假设给定的样本集为D={(x1，y1 )，(x2，y2 )，…,(xm，ym )}，共计m 个样本，使用机器学习算法预测的结果为f（x），那么对于评价其预测性能f就是将预测结果f（x）与真实的标记ground truth做比较。
精度
所谓精度（accuracy），顾名思义就是指在机器学习的算法预测之后，预测正确了的样本占总样本的比例，计算公式如下：
错误率
所谓错误率（error rate）,是指在机器学习算法预测之后，分错的样本占样本总数的比例，计算公式如下：
查准率（Precision,P）
查准率（Precision, P）表示被分为正例的示例当中实际值为正例的比例，其计算公式如下式:
查全率（Recall,R）
查全率又称为召回率，其是覆盖面的度量，度量正例被分为正例的比例，其计算公式如下：
F-measure
当查准率P和查全率R指标出现矛盾的时候，这就需要综合考虑他们，最常见方法就是 F-Measure（即F-Score）。它是P和R的加权调和平均（越大越好）， 比P-R曲线平衡点更常用。F1是F-measure的特例，其计算公式如下：
扫描二维码关注公众号，回复：
3506287 查看本文章
