本文主要是介绍机器学习分类模型评价指标总结（准确率、精确率、召回率、Fmax、TPR、FPR、ROC曲线、PR曲线，AUC，AUPR），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
为了看懂论文，不得不先学一些预备知识（（55555
主要概念
解释见图
TP、FP、TN、FN
准确率、精确率（查准率）、召回率（查全率）
真阳性率TPR、伪阳性率FPR
F1-score=2TP/(2*TP+FP+FN)
最大响应分数Fmax为F1-score的最大值（在最佳阈值的前提下）
如下图：
HR指标（命中率）：正确分类的样本数 / 样本总数
ROC曲线、AUC指标：
PR曲线、AUPR指标：
AP指标（平均精确度）：在多标签分类任务中，分类别计算PR曲线，AP值为每个类别的AUPR
mAP指标：把AP值根据每个类别的样本量做加权平均，得到mAP
关于AUC和AUPR的计算方法：
【评价指标】如何计算模型评估中的AUC和AUPR值_aupr左上角为1-CSDN博客
这篇关于机器学习分类模型评价指标总结（准确率、精确率、召回率、Fmax、TPR、FPR、ROC曲线、PR曲线，AUC，AUPR）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
