[机器学习]分类结果——机器学习结果评判标准

建立网络训练完成之后，我们需要对我们所搭建的网络训练出的模型的预测性能进行评价。根据我们的分类任务：主要现在有两类，一个正类，一个负类。每个样本，都有0或1的两个标签：真正所属类别标签和模型预测的结果标签。两者是否一致，是评价分类器表现好坏的一个标准。对于本研究中测试集的分类结果，我们将其分类了四种类别：

（1）TP(True Positive)：预测结果为正的正样本

（2）TN(True Negative)：预测结果为负的负样本

（3）FP(False Positive)：预测结果为正的负样本

（4）FN(False Negative)：预测结果为负的正样本

准确率（Accuracy）、精确度（Precision）、召回率（Recall）和（F-measure）等，都是判断分类结果性能好坏的常用标准。其计算公式分别如下：

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

Precesion = TP/(TP+FP)

Recall = TP/(TP+FN)

F1 = 2PR/(P+R)