TP(真阳性 true positives) TN(真阴性 true negatives) FP(假阳性 false positives) FN(假阴性 false negatives)

分布图：

混淆矩阵：

准确率(accuracy):acc =\frac{TP+TN}{TP+TN+FP+FN}

精准率(precision):pre = \frac{TP}{TP+FP}

模型判别出来是阳性，但是不是所有都对，精准率就是检查在这些阳性里的真正为阳性的比率。一句话：检索出的信息中有多少比例是用户感兴趣的(西瓜书)

召回率(recall):re = \frac{TP}{TP+FN}

原来阳性总数，模型只能判别出来一部分，召回率就是检查模型对原来阳性的判别程度。一句话：用户感兴趣的信息中有多少被检索出来了(西瓜书)

PR 曲线:(PR curve):越靠近右上角(top right)的点越好

precision和recall是相互排斥的，只能折中取，所以就有了F值的判别策略

F1值:F1 = \frac{2*precision*recall}{precision+recall}=\frac{2\times TP}{ALL+TP-TN}

F_{\beta }值:F_{\beta }=\frac{(1+\beta ^{2})\times P\times R}{(\beta ^{2}\times P)+R}

\beta>1召回率更有影响，\beta<1精准率更有影响

有时会有多个二分类，例如多次训练/测试、多分类任务。这时需要一个综合的策略

微平均(micro-average):把所有类别的一次性都考虑进来，计算类别预测的准确率。

宏平均(macro-average):每个类别分开考虑，计算单独每个类别的准确率，最后再进行算术平均得到该测试集的准确率。

微平均 recall = precise = f1-score 无论是二分类还是多分类， 因为要统计所有的类别， 所以TP为各个类别分对的数目的总和， FP= FN 为各个类别分错数目的总和，recall = precise = 正确分类 / (正确分类 + 错误分类) 

所以：宏平均会比微平均好一些，因为macro会受minority class影响更大，也就是说更能体现在small class上的performance。

(摘自：微平均 宏平均 微平均(准确率、召回率、f1-score相等) 以及 TP、TN、FP、FN的理解_Lord_sh的博客-CSDN博客)

多对P.R:(P_{1},R_{1}),(P_{2},R_{2}),(P_{3},R_{3}),``````(P_{n},R_{n})

宏查准率(macro-P):macro-P=\frac{1}{n}\sum_{i=1}^{n}P_{i}

宏查全率(macro-R):macro-R=\frac{1}{n}\sum_{i=1}^{n}R_{i}

宏F1:(macro-F1):macro-F1=\frac{2\times macro-P\times macro-R}{macro-P+macro-R}

微查准率(macro-P):micro-P=\frac{\overline{TP}}{\overline{TP}+\overline{FP}}

微查全率(macro-R):micro-R=\frac{\overline{TP}}{\overline{TP}+\overline{FN}}

微F1:(macro-F1):micro-F1=\frac{2\times micro-P\times micro-R}{micro-P+micro-R}

真正例率(True Positive Rate):TPR=\frac{TP}{TP+FN}

假正例率(False Positive Rate):FPR=\frac{FP}{TN+FP}

ROC曲线(ROC curve):ROC曲线中，离左上角(top left)最近的点为最好的阈值点 

灵敏度(sensitivity):sencitivity = \frac{TP}{TP+FN} = true\, positive\, rate

特异性(specificity):specificity = 1-false\, positive\, rate = 1-\frac{FP}{TN+FP} = \frac{TN}{TN+FP}

AUC(曲线下面积):不考虑其他因素下，AUC越大，模型越好。PR和ROC都适用

# 机器学习
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

小参数・大码力・易部署 | Qwen3.6-27B上线魔乐社区，基于昇腾的部署教程来了

继一周前模型开源发布后，千问再度开源Qwen3.6-27B —— 一个拥有270亿参数的稠密多模态模型，也是社区呼声最高的模型规格。Qwen3.6-27B 依然支持多模态思考与非思考模式，在智能体编程方面达到了旗舰级表现，全面超越前代开源旗舰 Qwen3.5-397B-A17B（总参数397B / 激活参数17B的MoE模型）。作为稠密架构，它无需MoE路由即可部署，是开发者在实用、可广泛部署规模

avatar 魔乐社区
cover

量化挑战赛冠军专访：4小时啃下W4A8量化，我靠的是这些经验

avatar 魔乐社区
cover

替你试过了，消费级显卡可以跑的开源文生图SOTA模型，顶级渲染、高密度文本绘图

avatar 魔乐社区