模型评估指标总结

详情见知乎

  1. auc:预测正例排在负例前的概率。分类过程其实就是在排序中安排一个截断点,前一部分为正反之亦然。如更重视查准率将截断位置靠前,更重视查全率相反。其对应的ROC曲线就是研究其泛化性能的有力工具。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
混淆矩阵是机器学习中用来总结分类模型预测结果的情况分析表,以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。混淆矩阵在二分类问题中的表现形式如下: | 预测为正类 | 预测为负类 | 真实为正类 | TP | FN | 真实为负类 | FP | TN | 其中,TP表示真正例(True Positive),即真实为正类,模型预测也为正类的数量;FN表示假反例(False Negative),即真实为正类,模型预测为负类的数量;FP表示假正例(False Positive),即真实为负类,模型预测为正类的数量;TN表示真反例(True Negative),即真实为负类,模型预测也为负类的数量。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* [模型评估之混淆矩阵](https://blog.csdn.net/demon7552003/article/details/106438167)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *3* [机器学习分类模型评价指标之混淆矩阵](https://blog.csdn.net/hymn1993/article/details/127920182)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值