P=positive N=negative T=true F=false
TP:true positive 你认为是正样本,事实上也被判定为正样本
TN:true negative 你认为是负样本,事实上也被判定为负样本
FP:false positive 你认为是正样本,事实上被判定为负样本
FN=false negative 你认为是负样本,事实上也被判定为正样本
第二个字母:What's your judgment about the sample?;第一个字母:Is your judgment true or false?
图解:
预测 | |||
P | N | ||
实际 | P | TP | FN |
N | FP | TN |
准确率(Accuracy):模型判断正确的数据(TP+TN)占总数据的比例
recall:召回率,查全率,针对数据集中的所有正例(TP+FN)而言,模型正确判断出的正例(TP)占数据集中所有正例的比例
precesion:精确率,针对模型判断出的所有正例(TP+FP)而言,其中真正例(TP)占模型判断出的所有正例的比例.
区分好召回率和精确率的关键在于:
召回率针对的是数据集中的所有正例,精确率针对的是模型判断出的所有正例
明天学习此文章 https://cloud.tencent.com/developer/article/1490456