分类问题常用的性能度量指标有哪些？

常用的性能度量指标有：精确率、召回率、F₁、TPR、FPR。

	预测为真	预测为假
真实为真	TP(true positive)	FN(false negative)
真实为假	FP(false positive)	TN(true negative)

精确率Precision=TP/(TP+FP)

召回率Recall=TP/(TP+FN)

真正例率即为正例被判断为正例的概率TPR=TP/(TP+FN)

假正例率即为反例被判断为正例的概率FPR=FP/(TN+FP)

精确率又称查准率，顾名思义适用于对准确率较高的应用，例如网页检索与推荐。召回率又称查全率，适用于检测信贷风险、逃犯信息等。精确率与召回率是一对矛盾的度量，所以需要找一个平衡点，往往使用F₁是精确率与召回率的调和平均值：

(1) 错误率和准确率

错误率：

准确率：acc=1-e

扫描二维码关注公众号，回复： 10475225 查看本文章

(2)AUC与ROC曲线

对于0、1分类问题，一些分类器得到的结果并不是0或1，如神经网络得到的是0.5、0.6等，此时就需要一个阈值cutoff，那么小于阈值的归为0，大于的归为1，可以得到一个分类结果。

ROC曲线(Receiver Operational Characteristic Curve)是以False Positive Rate为横坐标，True Postive Rate为纵坐标绘制的曲线。

曲线的点表示了在敏感度和特殊性之间的平衡，例如越往左，也就是假阳性越小，则真阳性也越小。曲线下面的面积越大，则表示该方法越有利于区分两种类别。

AUC即为ROC曲线所覆盖的区域面积。

---

人工智能更多面试问题关注公众号：我们都是码农 (allmanong)，或者扫描下方二维码！