機器學習中常用的評價指標包括準確率（Accuracy）、敏感性（Sensitivity）、特異性（Specificity）、陽性預測值（Positive Predictive Value，PPV）、陰性預測值（Negative Predictive Value，NPV）、假陽率（False Positive Rate，F(xiàn)PR）和假陰率（False Negative Rate，F(xiàn)NR）。
準確率是指分類模型正確預測的樣本數(shù)占總樣本數(shù)的比例，其計算公式為：(TP + TN) / (TP + TN + FP + FN)，其中TP表示真正例，TN表示真反例，F(xiàn)P表示假正例，F(xiàn)N表示假反例。準確率越高，說明模型的整體性能越好。
敏感性也稱為召回率或真正率，是指分類模型正確預測為正例的樣本數(shù)占所有正例樣本數(shù)的比例，其計算公式為：TP / (TP + FN)。敏感性越高，說明模型在正例樣本上的識別能力越強。
特異性是指分類模型正確預測為反例的樣本數(shù)占所有反例樣本數(shù)的比例，其計算公式為：TN / (TN + FP)。特異性越高，說明模型在反例樣本上的識別能力越強。
陽性預測值是指分類模型預測為正例的樣本中真正為正例的比例，其計算公式為：TP / (TP + FP)。陽性預測值越高，說明模型預測為正例的樣本越可靠。
陰性預測值是指分類模型預測為反例的樣本中真正為反例的比例，其計算公式為：TN / (TN + FN)。陰性預測值越高，說明模型預測為反例的樣本越可靠。
假陽率是指分類模型錯誤地將正例預測為反例的比例，其計算公式為：FP / (FP + TP)。假陽率越高，說明模型誤判正例為反例的概率越大。
假陰率是指分類器錯誤地將反例預測為正例的比例，其計算公式為：FN / (FN + TN)。假陰率越高，說明模型誤判反例為正例的概率越大。
這些評價指標可以用于評估分類模型的性能，從而選擇最優(yōu)的模型進行后續(xù)任務。文章來源：http://www.zghlxwxcb.cn/news/detail-798020.html
文章來源地址http://www.zghlxwxcb.cn/news/detail-798020.html
到了這里，關于機器學習中的準確率，敏感性，特異性，陽性預測值，陰性預測值，假陽率，假陰率 -九五小龐的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！
