布尔玛能见度 - 介绍

布尔玛能见度是一个分类问题的度量指标，最初由 Lila Rajiva 和 Edward P. Kohn 提出。该指标的目的是在没有任何先验知识的情况下衡量模型的预测能力。它通常用于二分类问题中，其中每个类别都有一个布尔值（真/假）标记。然后，通过计算不同阈值下的精度/召回率（真阳性率），可以获得一个能见度曲线，从而可以通过选取最佳阈值来评估模型的预测能力。

布尔玛能见度的计算方式

对于一个二分类问题，假设已经得到了正确的类别标记和模型的预测结果。通过计算不同阈值下的真阳性率和假阳性率，可以得到一个能见度曲线。

真阳性率（True Positive Rate）： $TPR = \frac{TP}{TP + FN}$

假阳性率（False Positive Rate）：$FPR = \frac{FP}{TN + FP}$

其中，$TP$ 表示真阳性数量，$FN$ 表示假阴性数量，$FP$ 表示假阳性数量，$TN$ 表示真阴性数量。

然后，可以通过绘制 TPR vs. FPR 曲线来计算布尔玛能见度。

布尔玛能见度的优点

1. 不依赖任何先验分布假设，因此可以提供更加客观的性能评估。
2. 可以处理类别不平衡的情况。
3. 可以用于评估实时检测系统。

布尔玛能见度的缺点

1. 无法处理多类别分类问题。
2. 不能区分出不同类型的错误，例如漏检和误判。

总结

布尔玛能见度是一个用于衡量模型预测能力的度量指标，特别适用于二分类问题。通过计算真阳性率和假阳性率，并绘制能见度曲线，可以评估模型的性能。此外，布尔玛能见度具有不依赖任何先验知识的优点，但无法处理多类别分类问题和区分不同类型的错误。