【机器学习】准确率、精确率、召回率、误报率、漏报率概念及公式-准确率、召回率的定义

阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。所以有：

P=TP+FNN=FP+TNP = TP+FN \\ N =FP+TN \\ 1、准（正）确率accuracy 反映分类器或者模型对整体样本判断正确的能力，即能将阳性（正）样本positive判定为positive和阴性（负）样本negative判定为negative的正确分类能力。值越大，性能performance越好

ACC=TP+TNTP+TN+FP+FN ACC = \frac{TP +TN}{TP+TN+FP+FN} \\ 这里注意，在负样本占绝对多数的场景中，不能单纯追求准确率，因为将所有样本都判定为负样本，这种情况下准确率也是非常高的。

2、精确率precision 反映分类器或者模型正确预测正样本精度的能力，即预测的正样本中有多少是真实的正样本。值越大，性能performance越好

precision=TPTP+FP precision = \frac{TP}{TP+FP} \\ 这里注意，单纯追求精确率，会造成分类器或者模型少预测为正样本，这时FP低，即精确率就会很高。

3、召回率recall，也称为真阳率、命中率（hit rate）

反映分类器或者模型正确预测正样本全度的能力，增加将正样本预测为正样本，即正样本被预测为正样本占总的正样本的比例。值越大，性能performance越好。

recall=TPR=TPTP+FN=TPP recall =TPR= \frac{TP}{TP+FN} = \frac{TP}{P} \\ 这里注意，单纯追求召回率，会造成分类器或者模型基本都预测为正样本，这时FN低，即召回率就会很高。

4、误报率false alarm，也称为假阳率、虚警率、误检率 反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。值越小，性能performance越好

falsealarm=FPR=FPFP+TN=TPN falsealarm = FPR=\frac{FP}{FP+TN} =\frac{TP}{N} \\

5、漏报率miss rate，也称为漏警率、漏检率 反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。值越小，性能performance越好 missrate=FNR=FNTP+FN=FNP missrate = FNR = \frac{FN}{TP+FN} = \frac{FN}{P}\\

6、特异度specificity 反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。值越大，性能performance越好

specificity=TNR=TNFP+TN=TNN specificity = TNR = \frac{TN}{FP+TN} = \frac{TN}{N}\\

\\