**：
對於分類演算法，常用的評價指標有：
（1）precision
（2）recall
（3）f-score
（4）accuracy
（5）roc
（6）auc
ps：不建議翻譯成中文，尤其是precision和accuracy，容易引起歧義。
1.混淆矩陣
混淆矩陣是監督學習中的一種視覺化工具，主要用於比較分類結果和例項的真實資訊。矩陣中的每一行代表例項的**類別，每一列代表例項的真實類別。
圖1 混淆矩陣
如圖1所示，在混淆矩陣中，包含以下四種資料：
a、真正(true positive ,tp)：被模型**為正的正樣本
b、假正(false positive ,fp)：被模型**為正的負樣本
c、假負(false negative ,fn)：被模型**為負的正樣本
d、真負(true negative ,tn)：被模型**為負的負樣本
根據這四種資料，有四個比較重要的比率，其中tpr和tnr更為常用：
2.評價指標
1)(precision):p = tp/(tp+fp)，精確度
2)(recall):r = tp/(tp+fn)，即真正率
3)f-score：precision和recall的調和平均值, 更接近於p, r兩個數較小的那個:f=2* p* r/(p + r)
4)(aaccuracy): 分類器對整個樣本的判定能力,即將正的判定為正，負的判定為負: a = (tp + tn)/(tp + fn + fp + tn)
5)roc(receiver operating characteristic)：roc的主要分析工具是乙個畫在roc空間的曲線——roc curve，橫座標為false positive rate(fpr)，縱座標為true positive rate(tpr)。
如何畫roc曲線？
對於二值分類問題，例項的值往往是連續值，通過設定乙個閾值，將例項分類到正類或者負類（比如大於閾值劃分為正類）。因此，可以變化閾值，根據不同的閾值進行分類，根據分類結果計算得到roc空間中相應的點，連線這些點就形成roc curve。roc curve經過(0,0) (1,1)，實際上(0,0)和(1,1)連線形成的roc curve實際上代表的是乙個隨機分類器。一般情況下，這個曲線都應該處於(0,0)和(1,1)連線的上方，如圖2所示。
圖2 roc曲線
roc上幾個關鍵點的解釋：
(tpr=0,fpr=0)：把每個例項都**為負類的模型
(tpr=1,fpr=1)：把每個例項都**為正類的模型
(tpr=1,fpr=0)：理想模型，全部**正確
(tpr=0,fpr=1)：最差模型，全部**錯誤
乙個好的分類模型應該盡可能靠近圖形的左上角，而乙個隨機猜測模型應位於連線點(tpr=0,fpr=0)和(tpr=1,fpr=1)的主對角線上。
既然已經這麼多評價標準，為什麼還要使用roc和auc呢？
因為roc曲線有個很好的特性：當測試集中的正負樣本的分布變化的時候，roc曲線能夠保持不變。在實際的資料集中經常會出現類不平衡(class imbalance)現象，即負樣本比正樣本多很多(或者相反)，而且測試資料中的正負樣本的分布也可能隨著時間變化。
6)auc(area under roc curve)
auc的值就是處於roc curve下方的那部分面積的大小。通常，auc的值介於0.5到1.0之間，較大的auc代表了較好的performance。如果模型是完美的，那麼它的aug = 1，如果模型是個簡單的隨機猜測模型，那麼它的aug = 0.5，如果乙個模型好於另乙個，則它的曲線下方面積相對較大。
分類演算法中常用的評價指標
分類演算法中常用的評價指標 來自網路，備份勿忘！對於分類器 分類演算法 評價指標主要有 1 precision 2 recall 3 f score 4 accuracy 5 roc 6 auc 1.首先，介紹混淆矩陣的概念。混淆矩陣是監督學習中的一種視覺化工具，主要用於比較分類結果和例項的真實資訊...
分類演算法中常用的評價指標
labeled as positive labeled as negative predicted as positive true positive tp false positive fp predicted as negative false negative fn true negative...
分類演算法中常用的評價指標
對於分類演算法，常用的評價指標有 1 precision 2 recall 3 f score 4 accuracy 5 roc 6 auc ps 不建議翻譯成中文，尤其是precision和accuracy，容易引起歧義。1.混淆矩陣 混淆矩陣是監督學習中的一種視覺化工具，主要用於比較分類結果和例...