分类器指标

最近用得比较频繁，写一份速查笔记。
早先在周志华《机器学习》上读到过，那时候印象还不深刻，如有写错请大家斧正。

1 概念

1.1 图例

1.2 混淆矩阵

Confusion Matrix		Prediction
	Positive		Negative		Total
Reality	Positive	TP True Positive		FN False Negative		ReaP
	Negative	FP False Positive		TN True Negative		ReaN
	Total	PreP		PreN		All

ReaP、ReaN、PreP、PreN 不是通用表达，是本文自定义的名称。

1.3 快速理解

Quickly, think about how to tell one from another.
See yourself as the predictive model, and say these:

• TP, true positive, which is actually positive, and I thought it’s positive → .
• FN, false negative, which is actually positive, but I thought it’s negative → .
• FP, false positive, which is actually negative, but I thought it’s positive → .
• TN, true negative, which is actually nagetive, and I thought it’s negative → .

2 指标

2.1 指标矩阵

在混淆矩阵基础上计算。

2.2 指标说明

2.2.1 召回率 ★

召回率（R、Recall）、灵敏度（S、Sensitivity）、真正类率（TPR、True Positive Rate）。
事实真值中，模型发现了多少个真值，衡量发现能力。

2.2.2 精确率 ★

精确率（P、Precision）、阳性预测值（PPV、Positive Precision Value）。
模型真值中，有多少是事实真值，衡量判断正确性。

2.2.3 F1-Measure ★

F1-Measure。
Fβ-Measure 当 β=1 时的特殊形式，是 P 和 R 的调和平均数，综合衡量 P 和 R。

2.2.4 准确率

准确率（ACC、Accuracy）。
衡量模型判断正确的比率。

2.2.5 假正类率

假正类率（FPR、False Positive Rate）。

2.2.6 SPC & TNR

SPC（Specificity）、TNR（True Negative Rate）。

2.2.7 Miss Rate & FNR

Miss Rate、FNR（False Negative Rate）。

2.2.8 FDR

FDR（False Discovery Rate）。

2.2.9 回溯精确度

回溯精确度、阴性预测值（NPV、Negative Predictive Value）。

2.2.10 FOR

FOR（False Omission Rate）。

2.2.11 LR+

LR+（Positive Likelihood Ratio）。

2.2.12 LR-

LR-（Negative Likelihood Ratio）。

2.2.13 Fβ-Measure

Fβ-Measure。
β 衡量了 P 相对于 R 的重要程度，β > 1 时 P 更重要，β = 1 时二者重要程度相同，β < 1 时 R 更重要。

3 参考文献

• https://blog.csdn.net/vesper305/article/details/44927047
• https://blog.csdn.net/CSDN_SUSAN/article/details/103862393
• https://blog.csdn.net/u011630575/article/details/80250177