[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