【机器学习】常见模型评估指标

码字不易，喜欢请点赞！！！
【机器学习】中常见的模型评估指标
常见类别一：错误率/精度
在$m$个样本中，有$\alpha$个样本分类错误。
1.错误率(error rate)：$E=\alpha /m$
2.精度(accuracy)：$1-\alpha /m$

常见类别二：查准率/查全率
对于预测问题，我们根据真实情况和预测结果组合有真正例(true positive)、假正例(false positive)、真反例(true negative)、假反例(false negative)，分类结果得混淆矩阵(confusion matrix)如下图，则有：
样本总数$m=TP+FP+TN+FN$

并有以下两个评估指标：
1.查准率(precision)：体现查出来的正例中有多少是真正例，即$P=\frac{TP}{TP+FP}$
2.查全率(recall)：体现有多少正例被查出来了，即$R=\frac{TP}{TP+FN}$

根据查准率和查全率的公式可知，查准率和查全率是一对矛盾的指标。一般，查准率越高，查全率就越低；反之，查全率越高，则查准率越低。

下图中，查全率为横轴，查准率为纵轴，称为查准率-查全率曲线，简称“P-R曲线”。

可以通过“P-R曲线”，来评价模型的好坏，具体方法有以下几种：

• B曲线包含C曲线，因此B优于C
• 查准率=查全率的点称为平衡点，平衡点的值越大，则越优
• “P-R曲线”下面积越大，则越优
• F1度量指标：$F1=\frac{2\ast P\ast R}{P+R}=\frac{2\ast TP}{样本总数+TP-TN}$

常见类别三：ROC/AUC
首先，两个指标，真正例率(True Positive Rate,TPR)和假正例率(False Positive Rate,FPR)的计算公式如下：

$TRP=\frac{TP}{TP+FN}$

$FRP=\frac{FP}{FP+TN}$

1.ROC曲线(Receiver Operating Characteristic)，称为“受试者工作特征”，使用TPR作为纵轴，FPR作为横轴，如下图。对于ROC曲线的优劣比较可以参考P-R曲线。
2.AUC(Area Under ROC Curve)，表示ROC曲线下面积，使用该面积的大小来判断ROC曲线的优劣，AUC越大越好。
注：AUC范围：[0.5,1.0]