机器学习中基本符号表示和常用术语

一. 基本符号表示

    TP （true positive）：预测结果正确，将本类事物预测为本类标签；

    FP（false positive）：预测错误，比如，将非本类事物预测为本类标签。 

    FN（false negative）：预测错误，比如，将本类事物预测为其他类标签。

    TN（true negative） ：预测正确，将非本类事物预测为对应的类标签（不是本类的标签）。
1
2
3
4
5
6
7

二. 常用术语

1. 精准率计算（precision）

指被分类器（classifier）划分为正样例（本类标签）中的正样本的比重值。

2.召回率计算（recall）

指的是被预测为正样例（本类标签）占总的标签（本类标签+其他类标签）的比重值。

3.准确率的计算（accuracy）

4.F1 Score

F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的调和平均值，它的最大值是1，最小值是0，即0<=F1<=1。

以上式子中

    F1 表示精准率和召回率同等重要。
    F2 表示召回率的重要程度是精准率的2倍。
    F0.5 表示召回率的重要程度是精准率的0.5倍。
1
2
3

注：
F1在Python的sklearn包中有直接函数可以被调用，原函数sklearn.metrics.f1_score(参数)

通常情况下，利用各个类别下的F1 Score的均值作为评价结果，计算方法：

F1 score 百度百科：https://baike.baidu.com/item/F1%E5%88%86%E6%95%B0/13864979

5. G分数

G分数是另一种统一精确率和的召回率系统性能评估标准，G分数被定义为召回率和精确率的几何平均数。计算公式为：

6.