Classifier performance

• false positive (FP) rate = $\frac{FP}{N}$
• true positive (TP) rate: $\frac{TP}{P}$
• precision = $\frac{TP}{TP+FP}$
• recall (Sensitivity) = $\frac{TP}{P}$
• accuracy = $\frac{TP+TN}{P+N}$
• Specificity = $\frac{TN}{N}$
• F-measure (F1) = $\frac{2}{1/precision+1/recall}$

F-measure

F measure是用來評估分類標準表現好壞的指標之一，考量precision和recall並整合為單一指標。特別適用在樣本分佈不平衡（某一類別的樣本數遠少於另一類別）時，它可以提供比單純使用precision或recall更可靠的指標。與area under curve (AUC)相比，AUC著重在分類的正確率（accuracy）。

F measure為precision與recall的調和平均（harmony mean），調和平均數比算術平均數更受小數值的影響（也就是調和平均數通常會比算數平均數來得小）。在confusion matrix當中，通常precision較大時，recall的值會較小。

相關筆記

• compare two binary diagnostic tests