你这是什么垃圾浏览器,这都不能显示(╯‵□′)╯︵┻━┻

算法评估方法

Author Avatar
猪蹄宝宝 7月 03, 2019
  • 在其它设备中阅读本文章
vertical_split 669 字  |  timer 2 分钟

精确率(precision)、准确率(accuracy)和召回率(recall)

实际值 \ 预测值 正样本 负样本
TP FN
FP TN
  • TP,将正的样本预测为正,True Positive,预测对了
  • FN,将正样本预测为负值,False Negtive,预测错了
  • TN,将负样本与预测为负值,True Negtive 预测对了
  • FP,将负样本预测为正,False Positive, 预测错了

一、召回率(recall)

R  = 预测为正的对的样本/ 实际为正样本
   = TP /(TP+FN)

针对我们原来的正样本而言的,它表示的是正例样本中有多少被预测正确了。大白话就是“正例样本里你的预测对了多少”

例如,使用算法扩写文章100篇,10篇没有扩写成功,90篇成功进行了扩写,人工对于扩写质量给于正反评分,为正的文章23篇,那么扩写算法召回率:23/100 = 0.23;

在针对搜索:召回率为查全率:

查全率=检索出的相关信息量 / 系统中的相关信息总量

例如,使用关键词“马云”搜索出一张马云和100张马和云的图片,数据库系统中实际上有10篇马云,那么查全率:1/10 = 0.10;

二、精确率(Precision)

P = 预测对的正样本 / 预测为正预测结果
  = TP/ (TP+FP)

预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了,一种就是把正类预测为正类(TP),另一种就是把负类预测为正类(FP),也就是“ 你预测为正例的里面有多少是对的”

例如,纠错算法,测试100个词的文本,识别出错误词有20个(TP+FP=20),其中被误判为错词14个(FP=14),6个错词判断正确(TP=6),4个错词没有识别出来(FN=4),人工对于成功纠出错结果正反打分,6/20 = 0.3 。

在针对搜索:精确率为查准率

查准率 = 检索出的相关信息量 / 检索出的信息总量

例如,使用关键词“马云”搜索出一张马云和99张马和云的图片,那么查准率:1/100 = 0.01;

三、准确率(Accuracy)

A = 预测对的/所有样本
  = (TP+TN)/(TP+TN+FP+FN)

针对我们原来所有样本而言的,它表示的是所有样本有多少被准确预测了。

四、F1

2/F1 = 1/P + 1/R

F1值为精确率和召回率的调和平均数,值越大越好。

五、误报率和漏报率
误报率(虚报率)和漏报率,误报率=1-查准率,漏报率=1-查全率。