[2025分类&时序异常检测指标R-AUC与VUS]

梳理了一下分类中常见的指标,这些指标与时序异常检测 中新提出的A-RUC与VUS之间的关系

  • 真正例(True Positive,TP): 被正确识别为正样本的数量。
  • 真负例(True Negative,TN): 被正确识别为负样本的数量。
  • 假正例(False Positive ,FP): 被错误识为正样本数量
  • 假负例(False Negative,FN): 被错误识别为负样本数量
  • 精确度 (Precision,Pr): 关注所有识别为正样本中的真实正样本占比,此外还有Precison@K,即取前K为都为正确结果的度量方式
    P r ( p r e c i s i o n ) = T P T P + F P Pr(precision)=\frac{TP}{TP+FP} Pr(precision)=TP+FPTP
  • 召回率 (Recall,Re): 又称TPR关注所有正确识别结果中的正样本占比
    R e ( R e c a l l ) = T P T P + F N Re(Recall)=\frac{TP}{TP+FN} Re(Recall)=TP+FNTP
  • F1(F1-score) : F1分数,一个综合了Recall和Precision的评价β,通常取1
    ( 1 + β 2 ) ∗ P r ∗ R e β 2 ∗ P r + R e \frac{(1+β^2)*Pr*Re}{β^2*Pr+Re} β2∗Pr+Re(1+β2)∗Pr∗Re

参考资料:https://github.com/TheDatumOrg/VUS

相关推荐
doll ~CJ31 分钟前
数据仓库与数据挖掘基础知识
数据仓库·数据挖掘
nju_spy4 小时前
复杂结构数据挖掘(二)关联规则挖掘 Association rule mining
人工智能·数据挖掘·关联规则挖掘·apiriori·dhp·fp-growth·高频集
MoRanzhi120317 小时前
15. Pandas 综合实战案例(零售数据分析)
数据结构·python·数据挖掘·数据分析·pandas·matplotlib·零售
qq_4369621817 小时前
数据民主化实践:ChatBI赋能全民数据分析
数据挖掘·数据分析
geneculture19 小时前
融智学院十大学部知识架构示范样板
人工智能·数据挖掘·信息科学·哲学与科学统一性·信息融智学
DP+GISer19 小时前
自己制作遥感深度学习数据集进行遥感深度学习地物分类-试读
人工智能·深度学习·分类
victory043119 小时前
TODO 分类任务指标计算和展示 准确率 F1 Recall
人工智能·机器学习·分类
rengang6619 小时前
07-逻辑回归:分析用于分类问题的逻辑回归模型及其数学原理
人工智能·算法·机器学习·分类·逻辑回归
rengang661 天前
08-决策树:探讨基于树结构的分类和回归方法及其优缺点
人工智能·算法·决策树·机器学习·分类·回归
Michelle80231 天前
23大数据 数据挖掘复习1
大数据·人工智能·数据挖掘