一定要搞清楚markdown不支援複雜**製作，所以word做好以後截圖。
這張表極其關鍵。
簡單梳理一下，**的結果是後面的字母，真實的結果是前面的字母。
好了，接下來梳理指標：
查準率和查全率是一對矛盾的度量，一般來說precision高，recall往往偏低；而recall高，precision往往偏低。所以就有了p-r曲線。顯然，藍色曲線越接近右上角，分類器效能越好。一些文章中的p-r curve是光滑的，注意，這一般是為了美觀和構圖方便起見
首先auc值是乙個概率值，當你隨機挑選乙個正樣本以及乙個負樣本，當前的分類演算法根據計算得到的score值將這個正樣本排在負樣本前面的概率就是auc值。 auc值越大，當前的分類演算法越有可能將正樣本排在負樣本前面，即能夠更好的分類。
二分類問題模型指標
正如下圖所示，f1的值同時受到p r的影響，單純地追求p r的提公升並沒有太大作用。在實際業務工程中，結合正負樣本比，的確是一件非常有挑戰的事。auc是roc的積分 曲線下面積 是乙個數值，一般認為越大越好，數值相對於曲線而言更容易當做調參的參照。pr曲線會面臨乙個問題，當需要獲得更高recall時...
二分類問題評價指標
當乙個分類器建立後，要對其分類準確度進行評價。分類器的效能評價不僅能夠指導分類器的訓練過程，而且可以比較不同分類器的效能。本文主要介紹混淆矩陣和常用的幾個評價指標。對於乙個二分類問題，可以得到如下的混淆矩陣，行表示資料在模型上的 類別 predicted class predicted condit...
二分類模型評估指標
accuracy tp tn tp fp tn fn 即正確 的正反例數 總數。準確率是 正確的結果佔總樣本的百分比，是很自然就會想到的指標，但很多專案場景都不適用！最主要的原因是樣本不平衡。舉個簡單的例子，比如在乙個總樣本中，正樣本佔90 負樣本佔10 樣本是嚴重不平衡的。對於這種情況，我們只需要...