机器学习算法-模型评价指标

二分类模型指标

参考链接：https://blog.csdn.net/shy19890510/article/details/79501582

• 混淆矩阵

TP（实际为正预测为正），FP（实际为负但预测为正），TN（实际为负预测为负），FN（实际为正但预测为负）

• 准确率
  $Accuracy=\Large \frac{TP+TN}{TP+FP+TN+FN}$

• 查全率（召回率）和查准率
  $Recall(Sensitivity)=\Large \frac{TP}{TP+TN}$
  $Precision=\Large \frac{TP}{TP+FP}$
  $Specificity=\Large \frac{TN}{FP+TN}$

• F1度量—查准率和查全率的加权调和平均数
  $F_{1}Score=\Large \frac{1}{1/Recall+1/Precision}=\Large \frac{2\times{Recall}\times{Precision}}{Recall+Precision}$

• G度量–几何平均数
  $G=\sqrt[]{Precision\times{Recall}}$

• ROC曲线， AUC
  ROC曲线描绘的是不同的截断点时，并以FPR(False Positive Rate)和TPR(True Positive Rate)为横纵坐标轴，描述随着截断点的变小，TPR随着FPR的变化。
  纵轴：$TPR=\Large \frac{TP}{TP+FN} \normalsize =Recall$
  横轴：$FPR=\Large \frac{FP}{FP+TN}$
  

• KS曲线，KS值
  KS曲线和ROC曲线都用到了TPR，FPR。KS曲线是把TPR和FPR都作为纵坐标，而样本数作为横坐标。
  TPR和FPR曲线分隔最开的位置就是最好的”截断点“，最大间隔距离就是KS值，通常>0.2即可认为模型有比较好偶的预测准确性

• Lift 和Gain图
  Lift图衡量的是，与不利用模型相比，模型的预测能力“变好”了多少，lift(提升指数)越大，模型的运行效果越好。
  Gain图是描述整体精准度的指标。
  $Gain=\Large \frac{TP}{TP+FP}$
  $List=\Large\frac{\frac{TP}{TP+FP}}{\frac{P}{P+N}}=\frac{Gain}{PR}$

扫描二维码关注公众号，回复： 3286226 查看本文章