决策树分类效果评价指标详解

1.概念普及：
对于常见二分类问题，样本有两种分类结果（正例与反例）。
在进行分类时，对于一个样本，可能出现的分类情况有四种：
（正/正）：真正类
（反/正）：假反类
（正/反）：假正类
（反/反）：真反类
2.评价指标：
1.准确率accuracy： 被正确分类的样本数/样本总数
解读：总共有100个样本，其中有90个样本是预测正确的，则准确率为90%
缺点：不能反映模型区分正反例的能力
2.精确率precision： 被正确分类的正例样本数/总的正例样本数
解读：一共有100个样本，有50个正例和50个反例，有90个样本是预测正确的，其中被分类正确的正例样本数为50，被分类正确的反例样本数为40，则精确率为100%。
即该模型在预测正例方面的准确率是100%，
3.召回率recall： 被正确分类的正例样本数/所有被正确分类的样本数
解读：一共有100个样本，有50个正例和50个反例，有90个样本是预测正确的，其中被分类正确的正例样本数为50，被分类正确的反例样本数为40，则召回率为50/90%。
即该模型可以正确识别出所有正例的概率为0.555%
3.关系：
要全面评估模型的有效性，必须同时检查精确率和召回率。遗憾的是，精确率和召回率往往是此消彼长的情况。也就是说，提高精确率通常会降低召回率值，反之亦然。
召回率（查全率）表达的是模型找到数据集中相关实例的能力，而精度（查准率）表达模型找到的数据点中实际相关的比例。

---

根据案例不同，选择合适的指标：

例一 ：在对患者进行随访检查的初步疾病筛查中，我们可能希望得到接近于 1 的召回率，即我们想找到所有
实际患病的患者。这样虽然谎报了几次病情，但真的疾病来临时，我们没有错过，这样的分类器才是我们想要的，在一定正确率的前提下，我们要求分类器的召回率尽可能的高。