分类算法测试方法

分类算法测试方法

正确率(accuracy)

正确率是我们最常见的评价指标， accuracy = (TP+TN)/(P+N)，即被分对的样本数除以所有的样本数，正确率越高，分类器越好;

错误率(error rate)

错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以 accuracy =1 - error rate;

灵敏度(sensitive)

sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力;

特效度(specificity)

specificity = TN/N， 表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力;

精度(precision)

精度是精确性的度量，表示被分为正例的示例中实际为正例的比例， precision=TP/(TP+FP);

召回率(recall)

召回率是覆盖面的度量，度量有多个正例被分为正例， recall=TP/(TP+FN)=TP/P= sensitive，可以看到召回率与灵敏度是一样的。

上述常见的模型评价术语备注如下：

假设分类目标只有两类，计为正例(positive)和负例(negtive)。

True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数(样本数);

False positives(FP): 被错误地划分为 正 例的个数，即 实际为负例但被分类器划分为正例的实例数;

False negatives(FN):被 错误地划分为 负 例的个数，即 实际为 正 例但被分类器划分为 负例的实例数;

True negatives(TN): 被正确地划分为 负 例 的个数 ，即实际为 负 例且被分类器划分为 负例的实例数。