机器学习实战---详解模型评价指标

作者：王千发

编辑：王抒伟

零 全篇概述：

对于分类算法，我们熟知的评价指标是准确率(accuracy)，但是在实际问题中，我们想要得到一个优秀的模型，仅仅使用准确率是不够的。

比如在，乳腺癌数据集中：

其中201名没有复发（标记为0），85名复发（标记为1）。

显然这是一个不平衡数据集，假如我们的分类模型将所有的患者都预测为未复发，那么这个模型的准确率是（201／286）*100%也就是70.28%，这是一个比较高的准确率了。

但是这样的模型实际上是很差的，将所有的复发的人都预测为不会复发，那么患者得到这个信息之后如果不去检查和治疗，会导致疾病恶化甚至是出现生命危险。

因此，对于这类不平衡数据集，我们需要引入其他评价指标，分类模型的评价指标主要有准确率（accuracy），召回率（recall），精确率（precision），F1-Measure，ROC曲线和AUC等

一

说明一：

   分析：

        我们只讨论二值分类器。对于上面乳腺癌数据集来说，假如分类器的预测结     果是将201个未复发患者中190个预测为未复发，21个预测为复发；85个复发患      者中，80个预测为复发，5个预测为未复发，可以得到如下一张表

：