知乎用户，接待订阅同名微信公家号【景象形象学渣】空报率与漏报率是景象形象行业中常用来评估预告模子机能的指标。评估指标的分歧本色上反映了使命需求的分歧，是以分歧的指标在对统一预告模子进行评估时将会获得分歧的成果。这就意味着预告模子的‘黑白’往往是相对的，好的模子不仅取决于数据和算法自己，还取决于是否契合现实问题需要。那么何时利用空报率，又何时利用漏报率呢？本篇将经由过程混合矩阵慢慢带大师领会精准度、查准率等多种评估指标，以此深切熟悉空报率与漏报率的寄义，并供给场景实例让读者体味评估指标如何反映现实使命需求。（文末顺带供给混合矩阵的 python 可视化代码便利大师利用。）
一、混合矩阵
混合矩阵也称误差矩阵，经常被用来对分类问题进行误差阐发。为便于理解，我们以二分类预告——晴雨预告为例，将其所有可能呈现的预告景象与实况成果两两进行交叉组合，获得如下四个根本项。
混合矩阵的四个根本项
真正例（True Positive）：预告有雨 实况有雨真反例（True Negative）：预告无雨 实况无雨假正例（False Positive)：预告有雨 实况无雨（纳伪，第二类错误）假反例（False Negative）：预告无雨 实况有雨（弃真，第一类错误）将上述各项的计数以矩阵的体例呈现（其实就是一张表格啦），就获得了该预告模子的混合矩阵。矩阵中的每一列代表展望类别，每列的数值和代表预告该类此外总次数；而每一行代表实况不雅测的类别，每行的数值和代表了该类别实况中呈现的总次数。
晴雨预告的混合矩阵
直不雅可见，当混合矩阵对角线数值越大时，模子总体机能越好。将其定量化，将矩阵中 TP 与 TN 的代数和除以矩阵所有元素的代数和称之为精准率（Accuracy）。
将 FN 与 FP 的代数和除以矩阵所有元素的代数和称之为错误率（Error Rate)。
二、细分评价指标
从界说式可知，精准率和错误率的大小受到多个变量的约束，难以精准契合现实问题需要，需要引入细分指标。
1.查准率与空报率
查准率又可称为击中率、精确率(Precision，为了便利记忆可记英文，以免与精准率混合)，其界说为真正例在预告正例中地点的占比。查准率是相对预告而言的，数值越大暗示正例呈现的可能性越大，预告可托度越高。（文末降水查准率为 259/(259+235)=0.524）
空报率与查准率有联系关系，被界说为假正例在所有预告正例中地点的占比，数值越大暗示狼来了的可能性越大，由界说可知，空报率=1- 击中率。
2.查全率与漏报率
查全率又可称为召回率(recall)，其界说为真正例在所有实况为正例中的地点占比。查全率是相对实况而言的，数值越大暗示越疏而不漏，呈现丧家之犬的可能性越小。（文末降水查全率为 259/(259+242)=0.517）
漏报率与查全率有联系关系，被界说为假反例在所有实况为正例中的地点占比，可推知，漏报率=1- 查全率。
三、场景实例
查准率和查全率针对统一个模子时往往是一对矛盾的评价指标。查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。可以想象，在晴雨预告中为了使得查全率偏高，可以经由过程增添预告有雨的次数来实现，极端的，预告将来天天都有雨，查全率为 100%，但空报率极高，查准率极低；而为了使查准率偏高，可以经由过程只预告有把握的降水，诸如旌旗灯号较着的系统性大雨过程，这么做势必会削减预告次数，极端的，当只预告了一次降水且准确时，查准率为 100%，但查全率则极低，很多细雨和中雨过程都漏报了。
那么如何运用查准率和查全率综合评价预告模子的机能，从而在多个模子中选择相对较优的呢？请存眷本渣渣的同名微信公家号（搜刮 景象形象学渣 或者 qixiangxuezha），期待下回分化哦。
