[機器學習]分類結果——機器學習結果評判标準

建立網絡訓練完成之後，我們需要對我們所搭建的網絡訓練出的模型的預測性能進行評價。根據我們的分類任務：主要現在有兩類，一個正類，一個負類。每個樣本，都有0或1的兩個标簽：真正所屬類别标簽和模型預測的結果标簽。兩者是否一緻，是評價分類器表現好壞的一個标準。對于本研究中測試集的分類結果，我們将其分類了四種類别：

（1）TP(True Positive)：預測結果為正的正樣本

（2）TN(True Negative)：預測結果為負的負樣本

（3）FP(False Positive)：預測結果為正的負樣本

（4）FN(False Negative)：預測結果為負的正樣本

準确率（Accuracy）、精确度（Precision）、召回率（Recall）和（F-measure）等，都是判斷分類結果性能好壞的常用标準。其計算公式分别如下：

Accuracy = (TP+TN)/(TP+TN+FP+FN)

Precesion = TP/(TP+FP)

Recall = TP/(TP+FN)

F1 = 2PR/(P+R)