在信息檢索、分類體系中，有一系列的指標(biāo)，搞清楚這些指標(biāo)對于評價(jià)檢索和分類性能非常重要，因此最近根據(jù)網(wǎng)友的博客做了一個(gè)匯總。

準(zhǔn)確率、召回率、F1

信息檢索、分類、識(shí)別、翻譯等領(lǐng)域兩個(gè)最基本指標(biāo)是召回率(Recall Rate)和準(zhǔn)確率(Precision Rate)，召回率也叫查全率，準(zhǔn)確率也叫查準(zhǔn)率，概念公式:

? ? ? ? ? ? ?召回率(Recall)????? =? 系統(tǒng)檢索到的相關(guān)文件 / 系統(tǒng)所有相關(guān)的文件總數(shù)

準(zhǔn)確率(Precision) = ?系統(tǒng)檢索到的相關(guān)文件 / 系統(tǒng)所有檢索到的文件總數(shù)

圖示表示如下：

?

?

注意：準(zhǔn)確率和召回率是互相影響的，理想情況下肯定是做到兩者都高，但是一般情況下準(zhǔn)確率高、召回率就低，召回率低、準(zhǔn)確率高，當(dāng)然如果兩者都低，那是什么地方出問題了。一般情況，用不同的閥值，統(tǒng)計(jì)出一組不同閥值下的精確率和召回率，如下圖：

?

?

如果是做搜索，那就是保證召回的情況下提升準(zhǔn)確率；如果做疾病監(jiān)測、反垃圾，則是保準(zhǔn)確率的條件下，提升召回。

所以，在兩者都要求高的情況下，可以用F1來衡量。

?

[python]?view plaincopy

F1?=?2?*?P?*?R?/?(P?+?R)

?

?

公式基本上就是這樣，但是如何算圖1中的A、B、C、D呢？這需要人工標(biāo)注，人工標(biāo)注數(shù)據(jù)需要較多時(shí)間且枯燥，如果僅僅是做實(shí)驗(yàn)可以用用現(xiàn)成的語料。當(dāng)然，還有一個(gè)辦法，找個(gè)一個(gè)比較成熟的算法作為基準(zhǔn)，用該算法的結(jié)果作為樣本來進(jìn)行比照，這個(gè)方法也有點(diǎn)問題，如果有現(xiàn)成的很好的算法，就不用再研究了。

?

AP和mAP(mean Average Precision)

?

mAP是為解決P，R，F-measure的單點(diǎn)值局限性的。為了得到 一個(gè)能夠反映全局性能的指標(biāo)，可以看考察下圖，其中兩條曲線(方塊點(diǎn)與圓點(diǎn))分布對應(yīng)了兩個(gè)檢索系統(tǒng)的準(zhǔn)確率-召回率曲線

可以看出，雖然兩個(gè)系統(tǒng)的性能曲線有所交疊但是以圓點(diǎn)標(biāo)示的系統(tǒng)的性能在絕大多數(shù)情況下要遠(yuǎn)好于用方塊標(biāo)示的系統(tǒng)。

從中我們可以 發(fā)現(xiàn)一點(diǎn)，如果一個(gè)系統(tǒng)的性能較好，其曲線應(yīng)當(dāng)盡可能的向上突出。

更加具體的，曲線與坐標(biāo)軸之間的面積應(yīng)當(dāng)越大。

最理想的系統(tǒng)， 其包含的面積應(yīng)當(dāng)是1，而所有系統(tǒng)的包含的面積都應(yīng)當(dāng)大于0。這就是用以評價(jià)信息檢索系統(tǒng)的最常用性能指標(biāo)，平均準(zhǔn)確率mAP其規(guī)范的定義如下:(其中P，R分別為準(zhǔn)確率與召回率)

ROC和AUC

ROC和AUC是評價(jià)分類器的指標(biāo)，上面第一個(gè)圖的ABCD仍然使用，只是需要稍微變換。

?

回到ROC上來，ROC的全名叫做Receiver Operating Characteristic。

ROC關(guān)注兩個(gè)指標(biāo)

True Positive Rate ( TPR ) ?= TP / [ TP + FN] ，TPR代表能將正例分對的概率

False Positive Rate( FPR ) = FP / [ FP + TN] ，FPR代表將負(fù)例錯(cuò)分為正例的概率

在ROC 空間中，每個(gè)點(diǎn)的橫坐標(biāo)是FPR，縱坐標(biāo)是TPR，這也就描繪了分類器在TP（真正的正例）和FP（錯(cuò)誤的正例）間的trade-off。ROC的主要分析工具是一個(gè)畫在ROC空間的曲線——ROC curve。我們知道，對于二值分類問題，實(shí)例的值往往是連續(xù)值，我們通過設(shè)定一個(gè)閾值，將實(shí)例分類到正類或者負(fù)類（比如大于閾值劃分為正類）。因此我們可以變化閾值，根據(jù)不同的閾值進(jìn)行分類，根據(jù)分類結(jié)果計(jì)算得到ROC空間中相應(yīng)的點(diǎn)，連接這些點(diǎn)就形成ROC curve。ROC curve經(jīng)過（0,0）（1,1），實(shí)際上(0, 0)和(1, 1)連線形成的ROC curve實(shí)際上代表的是一個(gè)隨機(jī)分類器。一般情況下，這個(gè)曲線都應(yīng)該處于(0, 0)和(1, 1)連線的上方。如圖所示。

用ROC curve來表示分類器的performance很直觀好用。可是，人們總是希望能有一個(gè)數(shù)值來標(biāo)志分類器的好壞。

于是Area Under roc Curve(AUC)就出現(xiàn)了。顧名思義，AUC的值就是處于ROC curve下方的那部分面積的大小。通常，AUC的值介于0.5到1.0之間，較大的AUC代表了較好的Performance。

AUC計(jì)算工具：

http://mark.goadrich.com/programs/AUC/

P/R和ROC是兩個(gè)不同的評價(jià)指標(biāo)和計(jì)算方式，一般情況下，檢索用前者，分類、識(shí)別等用后者。

參考鏈接：

http://www.vanjor.org/blog/2010/11/recall-precision/

http://bubblexc.com/y2011/148/

http://wenku.baidu.com/view/ef91f011cc7931b765ce15ec.html

出處：https://yongyuan-workbench.rhcloud.com/%E4%BF%A1%E6%81%AF%E6%A3%80%E7%B4%A2ir%E7%9A%84%E8%AF%84%E4%BB%B7%E6%8C%87%E6%A0%87%E4%BB%8B%E7%BB%8D-%E5%87%86%E7%A1%AE%E7%8E%87%E3%80%81%E5%8F%AC%E5%9B%9E%E7%8E%87%E3%80%81f1%E3%80%81map%E3%80%81r/

總結(jié)

以上是生活随笔為你收集整理的信息检索(IR)的评价指标介绍-准确率、召回率、F1、mAP、ROC、AUC的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。