[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
MPCTHU14 小时前
预测分析(三):基于机器学习的分类预测
人工智能·机器学习·分类
Loving_enjoy15 小时前
基于Hadoop的明星社交媒体影响力数据挖掘平台:设计与实现
大数据·hadoop·数据挖掘
荷包蛋蛋怪17 小时前
【北京化工大学】 神经网络与深度学习 实验6 MATAR图像分类
人工智能·深度学习·神经网络·opencv·机器学习·计算机视觉·分类
代码骑士1 天前
聚类(Clustering)基础知识2
机器学习·数据挖掘·聚类
大美B端工场-B端系统美颜师1 天前
静态图表 VS 动态可视化,哪种更适合数据故事讲述?
信息可视化·数据挖掘·数据分析
葡萄成熟时_1 天前
【第十三届“泰迪杯”数据挖掘挑战赛】【2025泰迪杯】【代码篇】A题解题全流程(持续更新)
人工智能·数据挖掘
mosquito_lover12 天前
Python数据分析与可视化实战
python·数据挖掘·数据分析
Dovis(誓平步青云)2 天前
深挖 DeepSeek 隐藏玩法·智能炼金术2.0版本
人工智能·深度学习·机器学习·数据挖掘·服务发现·智慧城市
大美B端工场-B端系统美颜师2 天前
定制化管理系统与通用管理系统,谁更胜一筹?
人工智能·信息可视化·数据挖掘·数据分析
西柚小萌新2 天前
【深度学习:进阶篇】--2.1.多分类与TensorFlow
分类·数据挖掘·tensorflow