machine-learning - 不同组大小的精度和召回率计算

Question

我在任何地方都没有找到这个问题的答案，所以我希望这里的人可以帮助我以及其他有同样问题的人。

假设我有 1000 个正样本和 1500 个负样本。

现在，假设有 950 个真阳性(正样本被正确分类为阳性)和 100 个假阳性(负样本被错误地分类为正样本)。

我应该使用这些原始数字来计算精度，还是应该考虑不同的组大小？

换句话说，我的精度应该是:

真阳性/(真阳性 + 假阳性) = 950/(950 + 100) = 90.476%

或者应该是:

(TruePositive/1000)/[(TruePositive/1000) + (FalsePositive/1500)] = 0.95/(0.95 + 0.067) = 93.44%

在第一次计算中，我采用了原始数据，没有考虑每组中的样本量，而在第二次计算中，我使用了每个度量相对于其对应组的比例，以消除由组的大小不同

Answer 1

回答所述问题:by definition ，精度由第一个公式计算:TP/(TP+FP)。

但是，这并不意味着您必须使用这个公式，即精度测量。还有很多其他的措施，看this wiki page上的表格并选择最适合您任务的一个。

例如，positive likelihood ratio似乎与您的第二个公式最相似。