机器学习中常用的模型性能评估指标，来源于维基百科

 

 

 

condition positive (P)

the number of real positive cases in the data

condition negative (N)

the number of real negative cases in the data

true positive (TP)

eqv. with hit

true negative (TN)

eqv. with correct rejection

false positive (FP)

eqv. with false alarm, Type I error

false negative (FN)

eqv. with miss, Type II error

sensitivity, recall, hit rate, or true positive rate (TPR)

{\displaystyle \mathrm {TPR} ={\frac {\mathrm {TP} }{P}}={\frac {\mathrm {TP} }{\mathrm {TP} +\mathrm {FN} }}}

specificity or true negative rate (TNR)

{\displaystyle \mathrm {TNR} ={\frac {\mathrm {TN} }{N}}={\frac {\mathrm {TN} }{\mathrm {TN} +\mathrm {FP} }}}

precision or positive predictive value (PPV)

{\displaystyle \mathrm {PPV} ={\frac {\mathrm {TP} }{\mathrm {TP} +\mathrm {FP} }}}

negative predictive value (NPV)

{\displaystyle \mathrm {NPV} ={\frac {\mathrm {TN} }{\mathrm {TN} +\mathrm {FN} }}}

miss rate or false negative rate (FNR)

{\displaystyle \mathrm {FNR} ={\frac {\mathrm {FN} }{P}}={\frac {\mathrm {FN} }{\mathrm {FN} +\mathrm {TP} }}=1-\mathrm {TPR} }

fall-out or false positive rate (FPR)

{\displaystyle \mathrm {FPR} ={\frac {\mathrm {FP} }{N}}={\frac {\mathrm {FP} }{\mathrm {FP} +\mathrm {TN} }}=1-\mathrm {TNR} }

false discovery rate (FDR)

{\displaystyle \mathrm {FDR} ={\frac {\mathrm {FP} }{\mathrm {FP} +\mathrm {TP} }}=1-\mathrm {PPV} }

false omission rate (FOR)

{\displaystyle \mathrm {FOR} ={\frac {\mathrm {FN} }{\mathrm {FN} +\mathrm {TN} }}=1-\mathrm {NPV} }

accuracy (ACC)

{\displaystyle \mathrm {ACC} ={\frac {\mathrm {TP} +\mathrm {TN} }{P+N}}={\frac {\mathrm {TP} +\mathrm {TN} }{\mathrm {TP} +\mathrm {TN} +\mathrm {FP} +\mathrm {FN} }}}

F1 score

is the harmonic mean of precision and sensitivity

{\displaystyle F_{1}=2\cdot {\frac {\mathrm {PPV} \cdot \mathrm {TPR} }{\mathrm {PPV} +\mathrm {TPR} }}={\frac {2\mathrm {TP} }{2\mathrm {TP} +\mathrm {FP} +\mathrm {FN} }}}

Matthews correlation coefficient (MCC)

{\displaystyle \mathrm {MCC} ={\frac {\mathrm {TP} \times \mathrm {TN} -\mathrm {FP} \times \mathrm {FN} }{\sqrt {(\mathrm {TP} +\mathrm {FP} )(\mathrm {TP} +\mathrm {FN} )(\mathrm {TN} +\mathrm {FP} )(\mathrm {TN} +\mathrm {FN} )}}}}

Informedness or Bookmaker Informedness (BM)

{\displaystyle \mathrm {BM} =\mathrm {TPR} +\mathrm {TNR} -1}

Markedness (MK)

{\displaystyle \mathrm {MK} =\mathrm {PPV} +\mathrm {NPV} -1}

 

 

 

 

 

混淆矩阵的表示方法如下图：

# 机器学习
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

华为（ENSP）模拟实验(5) 交换机的生成树协议配置

avatar DAMO开发者矩阵

【信号处理】通过 “最近邻匹配” 和 “球面线性插值（SLERP）” 两种方式将 GNSS 位姿（位置 + 四元数）插值到激光雷达时间戳附Matlab代码

1. 引言：为什么需要位姿时间戳对齐？在自动驾驶、移动测绘、机器人导航等场景中，GNSS（全球导航卫星系统）负责提供高精度位姿（位置 X/Y/Z + 姿态四元数 Qx/Qy/Qz/Qw），激光雷达负责采集环境点云数据，二者需通过时间戳对齐才能实现点云与地理坐标的精准融合 —— 毕竟 GNSS 和激光雷达的采样频率不同（如 GNSS 采样率 10Hz、激光雷达 100Hz），同一时刻的观测数据无法直

avatar DAMO开发者矩阵

【未来智能】阿里林俊旸：让 AI 拥有“耳目口”，Qwen-Omni 全模态演进与 VLA 具身智能展望

从像素级精准的图像编辑，到能理解环境的语音交互，再到对具身智能的清晰展望，Qwen 系列的每一步突破，都在打破“AI 局限于数字世界”的边界。林俊旸的分享传递出一个核心信号：AGI 不是“悬浮的大脑”，而是需要“耳目口手”的完整智能体——它将通过多模态能力感知真实世界，通过具身能力改造真实世界，最终成为连接数字技术与物理场景的核心桥梁。当 AI 真正拥有“感知、创造、行动”的能力，人类与智能的交互

avatar DAMO开发者矩阵