來源：投稿 作者：AI浩
編輯：學(xué)姐

摘要

一般情況來說，單一評(píng)分標(biāo)準(zhǔn)無法完全評(píng)估一個(gè)機(jī)器學(xué)習(xí)模型。只用good和bad偏離真實(shí)場(chǎng)景去評(píng)估某個(gè)模型，都是一種欠妥的評(píng)估方式。單標(biāo)簽分類的評(píng)價(jià)指標(biāo)有：混淆矩陣，準(zhǔn)確率(Accuracy)，精確率（Precision），召回率（Recall），F(xiàn)1-score，ROC曲線和AUC。

1、混淆矩陣

• TP:正樣本且分類為正樣本的數(shù)目為（True Positive）

• FN:標(biāo)簽為正樣本分類為負(fù)樣本的數(shù)目（Flase Negative）

• FP:標(biāo)簽是負(fù)樣本分類為正樣本的數(shù)目（Flase Positive）

• TN：標(biāo)簽是負(fù)樣本且分類為負(fù)樣本的數(shù)目（True Negative）

第一種混淆矩陣:

第二種混淆矩陣:

2、準(zhǔn)確率(Accuracy)

準(zhǔn)確率(Accuracy)是最常用的指標(biāo)，指的是分類正確的樣本數(shù)占樣本總數(shù)的比例，公式如下：

通俗的解釋就是在所有樣本中，預(yù)測(cè)正確的概率。

在實(shí)際使用中，我們還能經(jīng)?？吹紸CC1和ACC5，分別是：

• top1_acc就是說只有真實(shí)標(biāo)簽是預(yù)測(cè)出的概率最高的類，才算預(yù)測(cè)正確。

• top5_acc就是說只要真實(shí)標(biāo)簽是預(yù)測(cè)出的概率最高的5個(gè)類之一，就算預(yù)測(cè)正確。

3、精確率（Precision）

預(yù)測(cè)出為陽性的樣本中，正確的有多少。區(qū)別準(zhǔn)確率（正確預(yù)測(cè)出的樣本，包括正確預(yù)測(cè)為陽性、陰性，占總樣本比例），又稱查準(zhǔn)率。公式如下：

通俗的解釋就是正樣本中，預(yù)測(cè)正確的概率。

需要注意的是， Precision 和 Accuracy 是不一樣的，Accuracy 針對(duì)所有樣本，而 Precision 僅針對(duì)檢測(cè)出來（包括誤檢）的那一部分樣本。

4、召回率（Recall）

正確預(yù)測(cè)為陽性的數(shù)量占總樣本中陽性數(shù)量的比例，又稱查全率。

例，在所有實(shí)際上有惡性腫瘤的病人中，成功預(yù)測(cè)有惡性腫瘤的病人的百分比，越高越好。

通俗的解釋就是正樣本被找到的概率。

5、F1-score

F1分?jǐn)?shù)（F1-score）是分類問題的一個(gè)衡量指標(biāo)。一些多分類問題的機(jī)器學(xué)習(xí)競(jìng)賽，常常將F1-score作為最終測(cè)評(píng)的方法。它是精確率和召回率的調(diào)和平均數(shù)，最大為1，最小為0。

6、代碼樣例

我在使用的sklearn里面的classification_report實(shí)現(xiàn)Precison、Recall、F1的計(jì)算，代碼如下：

運(yùn)行效果！

關(guān)注【學(xué)姐帶你玩AI】公眾號(hào)

回復(fù)“CVPR”獲取500+篇頂會(huì)必讀論文！