版权声明： https://blog.csdn.net/Wang_Jiankun/article/details/81560005
机器学习性能评估指标汇总
- Accuracy：准确率
- Precision：精确率 / 查准率
- Recall：召回率 / 查全率
- F1 score：F1 值
- PR：查准率、查全率曲线
- ROC：真正率、假正率曲线
- AUC：ROC曲线下方的面积（Area Under Curve）
混淆矩阵（Confusion Matrix）：
P：positive N：negative
1、Accuracy：准确率
预测正确的样本占总样本的比例：
2、Precision：精确率 / 查准率
预测的真正例占预测为正例的比例：
3、 Recall：召回率 / 查全率
预测的真正例占实际为正例的比例：
4、 F1 score：F1 值
Precision 和 Recall 的权衡（trade-off）
5、PR 曲线：查准率、查全率曲线
PR曲线：
根据不同的阈值得到的混淆矩阵计算 Precision、Recall。横坐标为Recall，纵坐标为 Precision。PR曲线越右左上角凸越好。
如果A模型的曲线完全向下包住B模型曲线，则A模型好于B模型。
6、ROC 曲线：真正率、假正率曲线
TPR：就是Recall
FPR：预测为假正例占实际为假正例的比例
ROC曲线：
根据不同的阈值得到的混淆矩阵计算 TPR、FPR。横坐标为 FPR，纵坐标为 TPR。
正常情况下 TPR 和 FPR 是正相关的。如果随着 TPR 的增加而 FPR 增加较少，则该阈值是好的。ROC曲线越向左上角凸越好。
如果A模型的曲线完全向下包住B模型曲线，则A模型好于B模型。
7、AUC：ROC曲线下方的面积（Area Under Curve）
AUC：
AUC越大越好，表示ROC曲线越向左上角凸。