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=TP+TNTP+FP+TN+FN$Accuracy=\frac{TP+TN}{TP+FP+TN+FN}$

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

• 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$F_{1}Score=\frac{1}{1/Recall+1/Precision}=\frac{2\times Recall\times Precision}{Recall+Precision}$

• G度量–几何平均数
  G=Precision×Recall−−−−−−−−−−−−−−−√$G=\sqrt{Precision\times Recall}$

• 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=TPTP+FN=Recall$TPR=\frac{TP}{TP+FN}=Recall$
  横轴：FPR=FPFP+TN$FPR=\frac{FP}{FP+TN}$
  

• 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=TPTP+FP$Gain=\frac{TP}{TP+FP}$
  List=TPTP+FPPP+N=GainPR$List=\frac{\frac{TP}{TP+FP}}{\frac{P}{P+N}}=\frac{Gain}{PR}$