zoukankan      html  css  js  c++  java
  • 通过Precision/Recall判断分类结果偏差极大时算法的性能

    当我们对某些问题进行分类时,真实结果的分布会有明显偏差。

    例如对是否患癌症进行分类,testing set 中可能只有0.5%的人患了癌症。

    此时如果直接数误分类数的话,那么一个每次都预测人没有癌症的算法也是性能优异的。

    此时,我们需要引入一对新的判别标准:Precision/Recall来进行算法的性能评判,它们的定义如下:

    可以看出,Precision表示:预测一件事件发生,它实际发生的概率是多少。换言之:预测准的概率如何。

    Recall表示:一件事情实际发生了,能把它预测出来的概率是多少。换言之:预测漏的程度怎么样。

    通过使用这两个标准,在测试集分布严重不均与的时候,就能有效的评判算法性能了。

    在实际使用过程中要注意:要将出现概率极小但我们很关注的类的标签至为1,出现概率大的类标签置为0。

    不过,设定两个标准又导致了一个trade-off的问题:我们在选择算法的时候,到底是更看重Precison还会Recall呢?

    为了解决这种纠结,前人引入了一种叫F1 score或者F score的方式来进行评价算法。

    它的计算公式为:

    其中,P表示Precision值,R表示Recall值。

    可以看出,当P、R中任何一个为0时,整个F1 score的值都是0,表示该算法很差。

    当P、R都是1时,F1 score值是1,表示该算法非常好。

  • 相关阅读:
    [学习笔记]多维偏序
    SCOI2009 游戏
    置换群和Burnside引理,Polya定理
    AC自动机——多个kmp匹配
    51nod 1667 概率好题
    分块——优化的暴力
    [Cqoi2014]数三角形——组合数
    C++ 中的导致编译错误汇总
    哈夫曼树Huffman
    导出查询结果到csv文件
  • 原文地址:https://www.cnblogs.com/instant7/p/4148296.html
Copyright © 2011-2022 走看看