数据挖掘 -- 分类的模型评估度量

数据挖掘 – 分类的模型评估度量混淆矩阵 CM（Confusion Matrix）actual/precideYesNo合计YesTPFNPNoFPTNN合计P^N^P+N或者P^ + N^术语含义例子TP（True Postive） :正确分类的正元组buy_computer = yes ...

翻滚de蛋炒饭

587人浏览 · 2019-07-16 14:06:13

翻滚de蛋炒饭 · 2019-07-16 14:06:13 发布

数据挖掘 – 分类的模型评估度量

混淆矩阵 CM（Confusion Matrix）

actual/precide	Yes	No	合计
Yes	TP	FN	P
No	FP	TN	N
合计	P^	N^	P+N 或者 P^ + N^

术语	含义	例子
TP（True Postive） :	正确分类的正元组	buy_computer = yes 的元组，被分类器预测为 buy_computer = yes
TN（True Negative） :	正确分类的负元组	buy_computer = no 的元组，被分类器预测为 buy_computer = no
FP（False Postive） :	错误标记为正元组的负元组	buy_computer = no 的元组，被分类器预测为 buy_computer = yes
FN（False Negative） :	错误标记为负元组的正元组	buy_computer = yes 的元组，被分类器预测为 buy_computer = no

度量

度量	公式	含义
准确率、识别率（accuracy）	$\frac{TP+TN}{P+N}$	正确分类元组的占比
错误率、误分类率（error rate / 1-accuracy）	$\frac{FP+FN}{P+N}$	错误分类元组的占比
敏感度、真正例率、召回率（ recall / sensitivity）	$\frac{TP}{P}$	正确识别的正元组的占比
特效性、真负例率（ specificity）	$\frac{TN}{N}$	正确识别的负元组的占比
精度（precision）	$\frac{TP}{TP+FP}$	标记为正类的元组实际为正类所占的百分比
F、F1、F分数	$\frac{2 * precision * recall}{precision+ recall}$	精度和召回率的调和均值（另一种使用precision和recall的方法）
$F_β$ : β是非负实数	$\frac{(1+β^2) precision+ recall}{β^2precision+ recall}$	也是另一种使用precision和recall的方法

ROC

轴	含义	公式
Y轴（TPR）	sensitivity / recall	$\frac{TP}{P}$
X轴（FPR）	1-specificity	$\frac{FP}{N}$

相关文章：
https://jingyan.baidu.com/article/63acb44acf685161fcc17ec9.html
https://www.plob.org/article/12476.html

相关图像

ROC

在这里插入图片描述

点击阅读全文

永洪数据分析社区

永洪科技，致力于打造全球领先的数据技术厂商，具备从数据应用方案咨询、BI、AIGC智能分析、数字孪生、数据资产、数据治理、数据实施的端到端大数据价值服务能力。

更多推荐

智能分析最佳实践——指标逻辑树

所有业务都会面对“为什么涨、为什么降、原因是什么？”这种简单粗暴又不易定位的业务问题。为了找出数据发生异动的原因，业务人员会通过使用多维查询、dashboard等数据产品锁定问题，再辅助人工分析查找问题原因，这个过程通常需要一天时间。几乎每种业务角色的用户都在做相似的分析，但在业务方分析人员发生工作变动时，分析方法难以得到较好传承。因此我们需要一款自动给出分析结论的智能化数据产品来解决上面的问题，

永洪数据分析社区

数据挖掘实验一：分类技术——二分网络上的链路预测

实验一：分类技术——二分网络上的链路预测实验内容采用二分网络模型，对ml-1m文件夹中的“用户—电影”打分数据进行建模，考虑将用户信息、电影详细信息、以及打分分值作为该网络上的边、点的权重；根据网络结构特征给出节点相似性度量指标；基于相似性在二分网络上进行链路预测；画出ROC曲线来度量预测方法的准确性。分析及设计导入数据并初步分析处理数据：观察所给的文件类型为.dat格式，即纯文本格式，pytho