在二分类问题中
按照模型预测值和真实值可以把测试样本划分为四种情形：真正例（true positive），假正例（false positive），真反例（true negative），假反例（false negative）。可以把结果表示为下图这个矩阵——混淆矩阵(confusion matrix)。
查准率，又称准确率（precision），用于衡量模型避免错误的能力，分母是模型预测的正例数目。
查全率，又称召回率（recall），用于衡量模型避免缺漏的能力，分母是测试样本真正包含的正例数目。
一般来说，这两者是矛盾的，提高其中一者则另一者必然会有所降低。
F1，是查准率和查全率的调和平均，用于综合考虑这两个性能度量。
有时候我们对查准率，查全率的需求是不同的。比方说广告推荐，要尽量避免打扰用户，因此查准率更重要；而逃犯检索，因为漏检的危害很大，所以查全率更重要。这时就需要使用了。
，是查准率和查全率的加权调和平均，用于综合考虑这两个性能度量，并采用不同的权重。
其中 度量了查全率对查准率的相对重要性，等于1时退化为F1，小于1时查准率更重要，大于1时查全率更重要。
书中还介绍了如何对多次训练/测试产生的多个混淆矩阵进行评估，包括宏方法（先分别计算性能度量，再计算均值）和微方法（先对混淆矩阵各元素计算均值，再基于均值计算性能度量）两种途径。
在多个二分类问题中
若有收获，就点个赞吧
0 人点赞
