机器学习，统计和物理中的评价尺度

MagicQIT

于 2019-09-02 07:24:18 发布

阅读量361

点赞数

CC 4.0 BY-SA版权

分类专栏： /Machine learning 统计

2 篇文章

订阅专栏

1 篇文章

订阅专栏

本文探讨了不同领域中数学表达式的命名差异及其在实际应用中的混淆问题，重点介绍了基于混淆矩阵的各种评价指标，包括正确决策、第一类错误（Type I Error）和第二类错误（Type II Error），并分析了这些指标在追求高标准与避免错误之间的平衡。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

不同领域对于同一种数学表达式的命名方式不一样，使用的时候很容易混淆。

评价指标可以从两个角度去看，一个是追求更高标准，一个是会犯的错误。

下面分别列出基于confusion matrix得到的不同尺度(reject H0对应于predicted positive)

	Do Not Reject H0(Predicted negative)	Reject H0(Predicted positive)
H0 is True(Actual negative)	Correct Decision	Type I Error
H0 is False(Actual positive)	Type II Error	Correct Decision