分类混淆矩阵中auc recall
时间: 2023-11-09 09:19:40 浏览: 146
分类混淆矩阵中,并不包含AUC和Recall这两个指标。混淆矩阵主要用于评估分类模型的性能,通过统计分类模型归错类和归对类的观测值个数,将结果展示在一个表中。混淆矩阵主要包括以下几个指标:
1. 真正例(True Positive, TP):模型正确地将正例分类为正例的个数。
2. 假正例(False Positive, FP):模型错误地将负例分类为正例的个数。
3. 假反例(False Negative, FN):模型错误地将正例分类为负例的个数。
4. 真反例(True Negative, TN):模型正确地将负例分类为负例的个数。
通过这些指标,我们可以计算出其他一些评估指标,比如准确率(Accuracy)、精确率(Precision)、召回率(Recall)等。但是AUC(Area Under the Curve)并不是混淆矩阵中的指标,它是用来评估二分类模型的性能的一个指标,表示ROC曲线下的面积。而Recall是指分类模型正确地识别出所有正例的能力,也被称为灵敏度或真正例率。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [混淆矩阵、auc、roc](https://blog.csdn.net/fuge92/article/details/93745705)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* [混淆矩阵、ROC、AUC 学习记录](https://blog.csdn.net/weixin_44912030/article/details/127291953)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]
阅读全文