Level1:
分类问题最早只是二分类问题,最初只有这几个概念:"真正例","真负例","假正例","假负例".
TP: 样本标签为1,模型预测为1 |
FP: 样本标签为1,模型预测为-1 |
TN: 样本标签为-1,模型预测为-1 | FN:样本标签为-1,模型预测为1 |
Level2:
准确率acc, 通俗的说就是 acc=预测正确的样本数/总样本数
精确率precision, 通俗得说就是只看正样本, prec = 正样本中被分类器正确检测出来的百分比
召回率roc, 被分类器判成正样本的样本中确实是正样本的百分比
Level3:
F1-score:
F1= 2 * (precision*recall) / (precision+recall)
Fbeta-score
Fbeta = (1+beta^2) * (precision*recall) / (recall+precision*beta^2)