机器学习算法优秀性：衡量指标
评价算法优秀程序的时候，常用一系列指标来衡量，主要包括：Precision，Recall，F-1 Score，为什么要设计这些值？单单用Precision不行吗？
1, 什么是Ｐrecision ?
Precison，准确度，主要表示检测出的Alert中有多少是正确的判断（True Positive，TP）。
实际使用中，由于样本中正常数据和异常数据的比例不同，准确性可能不能体现真实的算法性能，举个例子：
癌症检测：假定99.5%的人是健康的，0.5%的人患有癌症。
错误检测算法：简单所有患者都判断为健康的。
准确性：上述算法准确性为99.5% ！！只有0.5%的不健康的人被误判为健康。
2, 为什么用Ｒecall ？
上例中一种明显错误的检测算法可以轻松达到99.5%的准确度，所以准确性不能全面衡量算法优秀程度，为此设立了Recall值来衡量。
Recall，召唤率，异常数据被检测出来的比例。Recall = TP/（TP+FN）
在上例中，Recall就是0，没有异常值能够被检测出来。
3, 为什么用Ｆ-1 Ｓcore ？
将Precision和Recall结合起来就可以更综合衡量算法的优秀程度，F-1就是这样一个指标：
F-1 Score = 2*Precision*Recall /（Precision+Recall）
注：不能简单对Precision和Recall求均值（Average），上面那个明显错误的例子，Precision = 0.995, Recall = 0, 均值有0.5,明显不合理。
而采用F-1Ｓcore，Ｆ1依然是0，更合理。
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
