sklearn中的评价指标介绍(异常检测过程记录)

模型评估
评价指标Evaluation metrics
分类评价指标

    1 准确率
    2 平均准确率
    3 对数损失Log-loss
    4 基于混淆矩阵的评估度量
        41 混淆矩阵
        42 精确率Precision
        43 召回率Recall
        44 F1-score
    5 AUCArea under the CurveReceiver Operating Characteristic ROC
        TPRTrue Positive Rate
        FPRFalse Positive Rate
        ROC曲线
        AUC

回归评价指标

    1 RMSE
    2 均方差mean squared error
    3 平均绝对误差mean_absolute_error
    4 中值绝对误差Median absolute error
    5 R2 决定系数r2_score

问题
sklearn 评价指标

模型评估

有三种不同的方法来评估一个模型的预测质量：

    estimator的score方法：sklearn中的estimator都具有一个score方法，它提供了一个缺省的评估法则来解决问题。
    Scoring参数：使用cross-validation的模型评估工具，依赖于内部的scoring策略。见下。
    通过测试集上评估预测误差：sklearn Metric函数用来评估预测误差。

评价指标(Evaluation metrics)

评价指标针对不同的机器学习任务有不同的指标，同一任务也有不同侧重点的评价指标。

主要有分类（classification）、回归（regression）、排序（ranking）、聚类（clustering）、热门主题模型（topic modeling）、推荐（recommendation）等。
一、分类评价指标（Evaluation  metrics）、

分类有二分类和多分类，二分类主要“是”和“不是”的问题，可以扩展到多分类，如逻辑回归->SoftMax。

1.1 准确率

分类中，使用模型对测试集进行分类，分类正确的样本个数占总样本的比例：

                                                              

问题：

    不同类别样本无区分：各个类平等对待，而实际中会针对不同类有所区分，例如医疗上侧重正例的召回（假阴性：不要漏诊疾病），