【AI面试题】分类问题常用的性能度量指标（评价指标）

分类问题常用的性能度量指标有精确率、召回率、F1、TPR、FPR。

分类问题度量指标的基础是混淆矩阵：

上表中：
TP表示正样本被预测为正样本（真正例，True Positive）
FN表示正样本被预测为负样本（假负例，False Negative）
TN表示负样本被预测为负样本（真负例，True Negative）
FP表示负样本被预测为正样本（假正例，False Positive）

● 准确率： 所有预测正确的样本（正样本预测为正，负样本预测为负）与所有样本的比值：

● 精确率（查准率）： 精确率是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了：一种就是把正类预测为正类（TP），另一种就是把负类预测为正类（FP）。（精确率又称查准率，顾名思义适用于对准确率要求高的应用，例如网页检索与推荐等）。公式如下：

● 召回率（查全率）： 召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能：一种是把原来的正类预测成正类（TP），另一种就是把原来的正类预测为负类（FN）。（召回率又称查全率，适用于检测信贷风险信息、逃犯信息等）公式如下：

● 真正例率（TPR）： 即为正例被判断为正例的概率，公式如下：

● 假正例率（FPR）： 即为负例被判断为正例的概率，公式如下：

● F1： 由于精确率和召回率是一对矛盾的度量，所以需要找一个平衡点，研究者们往往使用F1，F1是精确率与召回率的调和平均值，公式如下：

● AUC和ROC曲线

       ROC曲线（受试者操作特性曲线，Receiver Operational Characteristic Curve）是以False Positive Rate（FPR）为横坐标，True Positive Rate（TPR）为纵坐标绘制的曲线。曲线的点表示了在敏感度和特殊性之间的平衡，例如越往左，也就是假阳性越小，则真阳性也越小。曲线下方的面积越大，则表示该方法越有利于区分两种类别。AUC即为ROC曲线所覆盖的区域面积。AUC值是一个概率值，当随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值。所以AUC值越大，当前的分类算法越有可能将正样本排在负样本前面，即能够更好的分类。而如果AUC=0.5，跟随机猜测一样（例如丢硬币），模型没有预测价值。ROC曲线如下图所示：

       ROC曲线的主要意义是方便观察阈值对学习器的泛化性能影响，所以有助于选择最佳的阈值。ROC曲线越靠近左上角，模型的查全率就越高。最靠近左上角的ROC曲线上的点是分类错误最少的最好阈值，其假正例和假反例总数最少。

代码如下：

from sklearn import metrics
from sklearn.metrics import roc_auc_score

roc_auc_score(y_true, y_score)
# 求出auc指标
fpr, tpr, thresholds = metrics.roc_curve(y_true, y_score, pos_label=1)
# pos_label=1，表示值为1的实际值为正样本
# 求出了FPR、TPR和阈值