我真的很困惑如何在使用 NB 分类器的监督机器学习算法中计算精度和召回率
例如
1) 我有两个类 A,B
2) 我有 10000 个文档，其中 2000 个用于训练样本集(class A=1000,class B=1000)
3)现在在上面的训练样本集的基础上使用NB分类器对剩下的8000个文档进行分类
4)现在将 5000 个文档分类到 A 类，将 3000 个文档分类到 B 类
5) 现在如何计算 Precision 和 Recall？
请帮帮我..
谢谢
【问题讨论】：
标签： machine-learning precision-recall
您好，您必须将结果分为四组 -
真正的 A 类（TA） - 正确分类为 A 类
错误的 A 类 (FA) - 错误地归入 A 类
真正的 B 类 (TB) - 正确分类为 B 类
错误的 B 类 (FB) - 错误地分类为 B 类
精度 = TA / (TA + FA)
召回 = TA / (TA + FB)
您可能还需要准确度和 F-measure：
准确度 = (TA + TB) / (TA + TB + FA + FB)
f-measure = 2 * ((精度 * 召回率)/(精度 + 召回率))
更多：
http://en.wikipedia.org/wiki/Precision_and_recall#Definition_.28classification_context.29
【讨论】：
为了清楚起见，让我解释一下。
假设视频中有 9 只狗和一些猫，图像处理算法告诉您场景中有 7 只狗，其中只有 4 只实际上是狗（真阳性），而 3 只是猫（假阳性）
精确度告诉我们在分类为狗的项目中，有多少实际上是狗
所以 精度 = 真阳性/（真阳性 + 假阳性） = 4/(4+3) = 4/7
虽然回忆可以说明狗的总数，但实际找到了多少只狗。
所以 召回 = 真阳性/总数 = 真阳性/（真阳性 + 假阴性） = 4/9
您必须找到 A 类和 B 类的准确率和召回率
A类
True positive =（5000个分类A类文档中A类文档的数量）
误报 =（5000 个分类的 A 类文档中 B 类文档的数量）
从上面你可以找到Precision。
Recall = True positive/（测试时使用的 A 类文档的总数）
对 B 类重复上述操作以找到其精度和召回率。
【讨论】：