P=positive N=negative T=true F=false
TP:true positive 你认为是正样本, 事实上也被判定为正样本
TN:true negative 你认为是负样本, 事实上也被判定为负样本
FP:false positive 你认为是正样本, 事实上被判定为负样本
FN=false negative 你认为是负样本, 事实上也被判定为正样本
第二个字母: What's your judgment about the sample?; 第一个字母: Is your judgment true or false?
图解:
预测 | |||
P | N | ||
实际 | P | TP | FN |
N | FP | TN |
准确率 (Accuracy): 模型判断正确的数据(TP+TN) 占总数据的比例
recall: 召回率, 查全率, 针对数据集中的所有正例 (TP+FN) 而言, 模型正确判断出的正例 (TP) 占数据集中所有正例的比例
precesion: 精确率, 针对模型判断出的所有正例 (TP+FP) 而言, 其中真正例 (TP) 占模型判断出的所有正例的比例.
区分好召回率和精确率的关键在于:
召回率针对的是数据集中的所有正例, 精确率针对的是模型判断出的所有正例
明天学习此文章 https://cloud.tencent.com/developer/article/1490456
来源: http://www.bubuko.com/infodetail-3446421.html