【自然语言处理】——分类的评价指标

小鱼儿 2022-02-15 11:49 350阅读 0赞

### 一、四个基本概念 ###

TP、True Positive   真阳性：预测为正，实际也为正

FP、False Positive  假阳性：预测为正，实际为负

FN、False Negative 假阴性：预测与负、实际为正

TN、True Negative 真阴性：预测为负、实际也为负。

【一致判真假，预测判阴阳。】

![在这里插入图片描述][20181214093105758.png]

### 二、F1-score  ###

F1分数（F1-score）是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛，常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数，最大为1，最小为0。

![F\_\{1\}=2\\cdot \\frac\{precision\\cdot recall\}\{precision+recall\}][F_1_2_cdot _frac_precision_cdot recall_precision_recall]

此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要，F2分数认为召回率的重要程度是精确率的2倍，而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为：

![F\_\{\\beta \}=\\left (1+\\beta ^\{2\} \\right )\\cdot \\frac\{precision\\cdot recall\}\{\\left (\\beta ^\{2\}\\cdot precision \\right )+recall\}][F_beta _left _1_beta _2_ _right _cdot _frac_precision_cdot recall_left _beta _2_cdot precision _right _recall]

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。

![G=\\sqrt\{precision\\cdot recall\}][G_sqrt_precision_cdot recall]

### 三、查准率/查全率 ###

**        1、精准度 / 查准率**(precision)：指被分类器判定正例中的正样本的比重

![precision\_\{k\}=\\frac\{TP\}\{TP+FP\}][precision_k_frac_TP_TP_FP]

**         2、召回率 / 查全率 **(recall)：指的是被预测为正例的占总的正例的比重

![recall\_\{k\}=\\frac\{TP\}\{TP+FN\}][recall_k_frac_TP_TP_FN]

3、另外，介绍一下常用的准确率(accuracy)的概念，代表分类器对整个样本判断正确的比重。

![accuracy=\\frac\{TP+TN\}\{TP+TN+FP+FN\}][accuracy_frac_TP_TN_TP_TN_FP_FN]

4、通过对第三步求得的各个类别下的F1-score求均值，得到最后的评测结果，计算方式如下：

![score=(\\frac\{1\}\{n\}\\sum f1\_\{k\})^\{2\}][score_frac_1_n_sum f1_k_2]

###  三、其他 ###

参考链接：  [ROC曲线与AUC值][ROC_AUC]

[20181214093105758.png]: /images/20220215/1af5c419de50441aab56b52f67da1bf9.png
[F_1_2_cdot _frac_precision_cdot recall_precision_recall]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20F_%7B1%7D%3D2%5Ccdot%20%5Cfrac%7Bprecision%5Ccdot%20recall%7D%7Bprecision&plus;recall%7D
[F_beta _left _1_beta _2_ _right _cdot _frac_precision_cdot recall_left _beta _2_cdot precision _right _recall]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20F_%7B%5Cbeta%20%7D%3D%5Cleft%20%281&plus;%5Cbeta%20%5E%7B2%7D%20%5Cright%20%29%5Ccdot%20%5Cfrac%7Bprecision%5Ccdot%20recall%7D%7B%5Cleft%20%28%5Cbeta%20%5E%7B2%7D%5Ccdot%20precision%20%5Cright%20%29&plus;recall%7D
[G_sqrt_precision_cdot recall]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20G%3D%5Csqrt%7Bprecision%5Ccdot%20recall%7D
[precision_k_frac_TP_TP_FP]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20precision_%7Bk%7D%3D%5Cfrac%7BTP%7D%7BTP&plus;FP%7D
[recall_k_frac_TP_TP_FN]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20recall_%7Bk%7D%3D%5Cfrac%7BTP%7D%7BTP&plus;FN%7D
[accuracy_frac_TP_TN_TP_TN_FP_FN]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20accuracy%3D%5Cfrac%7BTP&plus;TN%7D%7BTP&plus;TN&plus;FP&plus;FN%7D
[score_frac_1_n_sum f1_k_2]: https://private.codecogs.com/gif.latex?%5Cfn_jvn%20score%3D%28%5Cfrac%7B1%7D%7Bn%7D%5Csum%20f1_%7Bk%7D%29%5E%7B2%7D
[ROC_AUC]: https://www.cnblogs.com/gatherstars/p/6084696.html