本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
二分类模型是机器学习中最常见的模型，用于评估二分类模型的指标特别多
本文介绍二分类模型的四种基本样本以及常用的指标TPR、TNR、FPR、FNR、F1-Score等等
通过本文，可以清晰了解二类分模型有哪些指标，以及各种指标的计算公式和使用领域
本节介绍二分类模型中的四个基本样本类型，它是计算各种指标的基础
二分类中的基本样本类型
在二分类模型中，根据样本的真实类别与预测类别，分为四种类型：TP、TN、FN、FP：
TP (True Positive) 真阳：被判定为正样本，事实上也是正样本(被认为是1，实际也是1)
TN (True Negative) 真阴：被判定为负样本，事实上也是负样本(被认为是0，实际也是0)
FP (False Positive) 假阳：被判定为正样本，事实上却是负样本(被认为是1，实际却是0)
FN (False Negative) 假阴：被判定为负样本，事实上却是正样本(被认为是0，实际却是1)
✍️如何理解正样本
正样本并不是指好的样本，正样本指的是我们的目标样本
例如在医学中，我们的目标是找出病人，那么病人是正样本，而不是健康的人
例如产品质检中，我们希望找出不合格的产品，那么不合格的产品就是正样本
二分类模型的常用指标不是很多，但同一个指标在不同领域往往有不同名称
本节按不同的使用领域，介绍二分类模型中的各种常用指标与名称
第一套：基本统计常用指标
TPR、FNR、TNR、FPR是4个最基本的常用基础指标，它们的意义分别如下：
1. TPR(True PositiveRate)
TPR是正样本的预测正确率：预测正确的正样本个数/正样本总个数
2. FNR(False NegativeRate)
FNR是正样本的预测错误率：正样本预测为负样本的个数/正样本总个数
3. TNR(True NegativeRate)
TNR是负样本的预测正确率：预测正确的负样本个数/负样本总个数
4. FPR(False PositiveRate)
FPR是负样本的预测错误率：负样本预测为正样本的个数/负样本总个数
第二套：机器学习指标
1. 准确率(Accuracy)：
准确率是总样本预测正确的占比：预测正确的样本个数/总样本个数
2. 错误率（Error rate）
错误率是总样本预测错误的占比：预测错误的样本个数/总样本个数
3. 召回率（Recall）
召回率是正样本的预测正确率：预测正确的正样本个数/正样本总个数
4. 精确率（Precision）
精确率是预测为正的样本的准确率：预测为正且真实为正的样本个数/预测为正的样本个数
5. F值（F-Measure或F-Score）
6. F1值（F1-Score）
F1-Score是F-Score取时的值，如下：
第三套：信息检索指标
在信息检索上常用的指标为查准率、误检率、查全率与漏检率，如下：
1. 查准率
查准率是预测为正的样本的准确率：预测为正且真实为正的样本个数/预测为正的样本个数
2. 误检率
误检率是预测为正的样本的错误率：预测为正但实为负的样本个数/预测为正的样本个数
3. 查全率
查全率是正样本的预测正确率：预测正确的正样本个数/正样本总个数
4. 漏检率
漏检率是正样本的预测错误率：正样本预测为负样本的个数/正样本总个数
第四套：故障检测指标
1. 检出率（DR，Detection Rate）
检出率是预测为正的样本在总样本中的占比：预测为正的样本个数/总样本个数
2. 漏警率（MAR，Missing Alarm Rate）
漏警率是正样本的预测错误率：正样本预测为负样本的个数/正样本总个数
3. 虚警率（FAR，False Alarm Rate）
虚警率是负样本的预测错误率：负样本预测为正样本的个数/负样本总个数
第五套：生信指标
下面是生信、医学上常用的相关指标：
1. 真阳性率（TPR）：参见TPR
2. 假阴性率（FNR）：参见FNR
3. 真阴性率（TNR）：参见TNR
4. 假阳性率（ FPR）：参见FPR
5. 灵敏度（Sensitive）
灵敏度是正样本的预测正确率：预测正确的正样本个数/正样本总个数
6. 特效度（Specificity）
特效度是负样本的预测正确率：预测正确的负样本个数/负样本总个数
End
评论
