专栏首页深度学习自然语言处理轻松了解模型评价指标

轻松了解模型评价指标

作者:泛音/Fainke
博客:https://www.fainke.com
来自:知识交点 公众号

混淆矩阵: 也称为误差矩阵,是一种特定的表格布局,允许可视化算法的性能,通常是监督学习的算法(在无监督学习通常称为匹配矩阵)。矩阵的每一行代表预测类中的实例,而每列代表实际类中的实例(反之亦然)。从字面理解:看出系统是否混淆了两个类(即通常将一个类错误标记为另一个类)(多类可以合并为二分类)。

一级评价指标: 由四个基础指标构成:TP、FN、FP、TN ① 真实值是positive,模型认为是positive的数量(True Positive=TP) ② 真实值是positive,模型认为是negative的数量(False Negative=FN):这就是统计学上的第一类错误(Type I Error) ③ 真实值是negative,模型认为是positive的数量(False Positive=FP):这就是统计学上的第二类错误(Type II Error) ④ 真实值是negative,模型认为是negative的数量(True Negative=TN)

一级评价指标混淆矩阵图例:

一级评价指标混淆矩阵图例.png

二级评价指标: 准确率(Accuracy):ACC 精确率(Precision):PPV 灵敏度(Sensitivity)=召回率(Recall)=命中率=真实阳性率:TPR 特异度(Specificity):TNR (更多名词可查看维基百科)

二级评价指标图例.png

三级评价指标: F1 Score:

其中,P代表Precision,R代表Recall。F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的,1代表模型的输出最好,0代表模型的输出结果最差。

MCC 马修斯相关系数: 衡量不平衡数据集的指标比较好。

ROC曲线: ROC曲线的横坐标为false positive rate(FPR),纵坐标为 true positive rate(TPR) 。当测试集中的正负样本的分布变化的时候,ROC曲线能够保持不变。

ROC.png

PRC曲线: 在正负样本分布得极不均匀(highly skewed datasets)的情况下,PRC比ROC能更有效地反应分类器的好坏。

PRC.png

实列理解:

混淆矩阵例2.png

该图表示的是模型预测动物的预测数据图。通过该混淆矩阵,可以得到以下结论:

Accuracy: 在总共66个动物中,我们一共预测对了10 + 15 + 20=45个样本,所以准确率(Accuracy)=45/66 = 68.2%。 下面以猫为例,将上面的图合并为二分类问题,求出二级评价指标与三级评价指标:

混淆矩阵例3.png

Precision: 以猫为例,66只动物里有13只是猫,其中这13只猫只有10只预测对了。模型认为是猫的13只动物里,有1条狗,两只猪。所以,Precision(猫)= 10/13 = 76.9%

Recall: 以猫为例,在总共18只真猫中,我们的模型认为里面只有10只是猫,剩下的3只是狗,5只都是猪。这5只八成是橘猫,能理解。所以,Recall(猫)= 10/18 = 55.6%

Specificity: 以猫为例,在总共48只不是猫的动物中,模型认为有45只不是猫。所以,Specificity(猫)= 45/48 = 93.8%。虽然在45只动物里,模型依然认为错判了6只猪与4只狗,但是从猫的角度而言,模型的判断是没有错的。

F1-Score: 通过公式,可以计算出,对猫而言,F1-Score=(2 * 0.769 * 0.556)/( 0.769 + 0.556) = 64.54%

参考链接:
维基百科:https://en.wikipedia.org/wiki/Confusion_matrix
CSDN:https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839

本文分享自微信公众号 - 深度学习自然语言处理(zenRRan)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-07-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 谈谈我在自然语言处理进阶上的一些个人拙见

    自然语言处理这个方向我感觉已经泛滥了,很多方向的人都开始转向该专业,当然也包括转向计算机视觉的。之前我写过一篇文章

    zenRRan
  • 【GNN】一文读懂图卷积GCN

    “ 本文的内容包括图卷积的基础知识以及相关辅助理解的知识点,相信同学们看完后一定能平滑上手理解GCN!”

    zenRRan
  • 【ACL 2020】腾讯AI Lab解读三大前沿方向及入选的20篇论文

    自然语言理解是腾讯 AI Lab 的主要研究方向之一,研究能力也一直处于业界领先水平。总体而言,腾讯 AI Lab 的研究内容囊括从自然语言理解到生成的整个链条...

    zenRRan
  • Android 设置动画变化的速率

    我们知道 Android 的动画有视图动画,属性动画,帧动画等等,对于视图动画我们是可以设置动画的变化速率的,有加速,减速,先加速再减速…等等各种变化速率的效果...

    IT大飞说
  • Transformer各层网络结构详解!面试必备!(附代码实现)

    《Attention Is All You Need》是一篇Google提出的将Attention思想发挥到极致的论文(https://arxiv.org/pd...

    AI研习社
  • Transformer各层网络结构详解!

    本文为 AI 研习社社区用户 @mantch 的博客内容,欢迎扫描底部社区名片访问 @mantch的主页,查看更多内容。

    AI科技评论
  • 吹弹牛皮之Unity 引擎基础 - 欧拉角

    结束了小菜整整介绍的四篇关于矩阵的内容,可以说是又臭又长啊。然而噩梦还在延续,本篇内容将还会持续和矩阵打交道。

    用户7698595
  • C# 数据操作系列 - 12 NHibernate的增删改查

    上一篇《C# 数据操作系列 - 11 NHibernate 配置和结构介绍》 介绍了Nhibernate里的配置内容。这一篇将带领大家了解一下如何使用NHIbe...

    程序员小高
  • keil结合st-link使用SWO的两种调试方法笔记

    通过strongerHuang的教程,实现了SWO的两种调试方法, 1、在keil调试的过程中,使用debug printf viewer打印信息, 2、在...

    用户4645519
  • angularJS学习之路(十九)---自定义指令关于独立作用域

    wust小吴

扫码关注云+社区

领取腾讯云代金券