machine-learning - 不同组大小的精确率和召回率计算

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 True Positives（正样本被正确归类为正样本）和100 个 False Positives（负样本被错误归类为正样本）。

我应该使用这些原始数字来计算Precision，还是应该考虑不同的组大小？

换句话说，我的精度应该是：

TruePositive / (TruePositive + FalsePositive) = 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，我不考虑每组的样本数量，而在第二次计算中，我使用每个度量与其对应组的比例，以消除由于组的不同而导致的偏差尺寸

Answer 1

回答所述问题：根据定义，精度由第一个公式计算：TP/(TP+FP)。

然而，这并不意味着你必须使用这个公式，即精确测量。还有许多其他措施，请查看此 wiki 页面上的表格并选择最适合您任务的一项。

例如，正似然比似乎与您的第二个公式最相似。