机器学习-各类学习器评价指标

一、各类学习器评价指标

机器学习是借助算法模型来解析数据，并从中学习，然后对真实世界中事件作出决策或预测的方法。根据是否提供数据的分类结果（数据的标签），可将机器学习方法分为两大类：监督学习（如分类和回归方法），无监督学习（如聚类方法）。
在利用机器学习方法对问题作出决策和预测后，我们需要对结果进行评价，此时我们应选择合适的评价指标，不同的学习器相应的指标体系也有差异：
分类模型：准确率、ROC-AUC、混淆矩阵及其相关的一系列指标；
回归模型：误差平方和以及决定系数R2等；
聚类算法：(Given Label)准确率、兰德指数、互信息等，(Not Given Label)紧密性，间隔性，邓恩指数等。

二、分类模型评价指标

2.1混淆矩阵

这里只要记住True、False描述的是分类器是否判断正确，Positive、Negative是分类器的分类结果。

• TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；
• TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负；
• FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；
• FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负。

根据以上几个指标，可以分别计算出Accuracy、Precision、Recall（Sensitivity，SN），Specificity（SP）。

P(实际为正例)=TP+FN;
N(实际为负例)&#