机器学习算法-模型评价指标
其他
2018-09-22 12:16:59
阅读次数: 0
二分类模型指标
参考链接:https://blog.csdn.net/shy19890510/article/details/79501582
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=TP+TNTP+FP+TN+FN
查全率(召回率)和查准率
Recall(Sensitivity)=TPTP+TN
Precision=TPTP+FP
Specificity=TNFP+TN
F1度量—查准率和查全率的加权调和平均数
F1Score=11/Recall+1/Precision=2×Recall×PrecisionRecall+Precision
G度量–几何平均数
G=Precision×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=TPTP+FN=Recall
横轴:
FPR=FPFP+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=TPTP+FP
List=TPTP+FPPP+N=GainPR
扫描二维码关注公众号,回复:
3286226 查看本文章
转载自blog.csdn.net/qq_41518277/article/details/82722194