深度学习分类常见评价指标:accuracy recall precision specificity sensitivity AUC ROC 曲线

深度学习分类时常用到以下指标,这里做一个总结:

 

首先介绍一些指标的定义:

(1)若一个实例是正类,但是被预测成为正类,即为真正类(True Postive TP)

(2)若一个实例是负类,但是被预测成为负类,即为真负类(True Negative TN)

(3)若一个实例是负类,但是被预测成为正类,即为假正类(False Postive FP)

(4)若一个实例是正类,但是被预测成为负类,即为假负类(False Negative FN)


这四个部分可以构成一个混淆矩阵:

                                                           深度学习分类常见评价指标:accuracy recall precision specificity sensitivity AUC ROC 曲线_第1张图片

 

而accuracy recall precision F1-score分别表示:

 

1.accuracy指的是正确预测的样本数占总预测样本数的比值,它不考虑预测的样本是正例还是负例:

                                           

2.recall指的是正确预测的正样本数占真实正样本总数的比值:

                                                      

3.precision指的是正确预测的正样本数占所有预测为正样本数的比值:

                                             

4.为了能够评价不同算法的优劣,在Precision和Recall的基础上提出了F1值的概念,来对Precision和Recall进行整体评价。F1-score(均衡平均数)是综合考虑了模型查准率和查全率的计算结果,取值更偏向于取值较小的那个指标。F1的定义如下:

              深度学习分类常见评价指标:accuracy recall precision specificity sensitivity AUC ROC 曲线_第2张图片

5.Sensitivity,我们常说“敏感性”,Sensitivity的值越大,说明“有病的被判断为有病的”越大,“漏检”(FN)越小。也叫做TPR:True positive rate

                                                   深度学习分类常见评价指标:accuracy recall precision specificity sensitivity AUC ROC 曲线_第3张图片

6. Specificity,我们常说“特异性”,Specificity的值越大,说明“健康的被判断为健康的”的越大,“误检”(FP)越小。也叫做

TNR:True negative rate:

                                                           

接下来说一下ROC曲线及AUC:

ROC曲线:接收者操作特征曲线(receiver operating characteristic curve),是反映敏感性和特异性连续变量的综合指标,roc曲线上每个点反映着对同一信号刺激的感受性。对于分类器或者说分类算法,评价指标主要有precision,recall,F1 score等,以及这里要讨论的ROC和AUC。下图是一个ROC曲线的示例:

                  

横轴FPR: FP/(FP+TN),FPR越大,预测正类中实际负类越多。

纵轴TPR:TP/(TP+FN),Sensitivity(正类覆盖率),TPR越大,预测正类中实际正类越多。

理想目标:TPR=1,FPR=0,即图中(0,1)点,故ROC曲线越靠拢(0,1)点,越偏离45度对角线越好,Sensitivity、Specificity越大效果越好。

在一个二分类模型中,假设采用逻辑回归分类器,其给出针对每个实例为正类的概率,那么通过设定一个阈值如0.6,概率大于等于0.6的为正类,小于0.6的为负类。对应的就可以算出一组(FPR,TPR),在平面中得到对应坐标点。随着阈值的逐渐减小,越来越多的实例被划分为正类,但是这些正类中同样也掺杂着真正的负实例,即TPR和FPR会同时增大。阈值最大时,对应坐标点为(0,0),阈值最小时,对应坐标点(1,1)。

AUC值的计算:

AUC (Area Under Curve) 被定义为ROC曲线下的面积,显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方,所以AUC的取值范围一般在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好,而作为一个数值,对应AUC更大的分类器效果更好。

AUC的计算有两种方式,梯形法和ROC AUCH法,都是以逼近法求近似值,具体见wikipedia。

从AUC判断分类器(预测模型)优劣的标准:

  • AUC = 1,是完美分类器,采用这个预测模型时,存在至少一个阈值能得出完美预测。绝大多数预测的场合,不存在完美分类器。
  • 0.5 < AUC < 1,优于随机猜测。这个分类器(模型)妥善设定阈值的话,能有预测价值。
  • AUC = 0.5,跟随机猜测一样(例:丢铜板),模型没有预测价值。
  • AUC < 0.5,比随机猜测还差;但只要总是反预测而行,就优于随机猜测。

你可能感兴趣的:(分类指标,深度学习,机器学习,算法)