- 《混淆矩陣之 Sensitivity vs. Specificity》:以實際有無數量為分母的好壞判斷
- 《混淆矩陣之 Precision vs. NPV》:以陰陽性數量為分母的好壞判斷
- ACC:Accuracy、準確率。數值在0到1之間,越大越準
- 一般的檢測最愛拿這個當作標準,但如果實際有與實際無的數量差很多,使用ACC無法判斷檢測是不是好的。
- MCC:Matthews correlation coefficient,數值會在-1到1之間
- 數值靠近0:代表跟隨機亂猜差不多
- 數值遠離0:正的代表預測的很準、負值代表是反指標
- F1 score:又稱為F-score或F-measure
- sensitivity與precision的調和平均數,在0到1之間越大越好
跟之前一樣,先把混淆矩陣confusion matrix寫出來:
上述表格裡面使用(小括號)圈起來的代表是要填寫自然數,裡面縮寫分別代表:
- y:實際有的數量
- n:實際無的數量
- P:預測陽性的數量
- N:預測陰性的數量
- Total:觀測的總數量
- ACC = (TP+TN) ÷ Total:準確率
- MCC = [TP*TN - FP*FN] ÷ [(TP+FP)*(TP+FN)*(TN+FP)*(TN+FN)]^1/2
- F1 score = 2 * (Sensitivity*Precision) ÷ (Sensitivity+Precision)
沒有留言:
張貼留言