《表1 混淆矩阵：一种改进型的不平衡数据欠采样算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种改进型的不平衡数据欠采样算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

传统的学习任务采用精度作为分类器性能好坏的评价标准，但由于不平衡数据集的特殊性，分类器更偏向将结果预测为多数类从而获得较高的精确度.但是在一些情况下，不能识别少数类的分类并不是我们想要的，所以将精度作为不平衡数据集中分类器的评价标准是不合适的.为此，一些学者提出了更完善的解决方案，如F-Measure[9]，G-Mean[10].这些指标都基于分类评价中常用的混淆矩阵（confusion matrix），根据分类器预测结果与实际情况划别4类组合，真正例（true positive），假正例（false positive），真反例（true negative），假反例（false negative）.混淆矩阵如表1所示.