如何选择分类模型的评价指标

作者|MUSKAN097 编译|VK 来源|Analytics Vidhya

简介

你已经成功地构建了分类模型。你现在该怎么办？你如何评估模型的性能，也就是模型在预测结果方面的表现。为了回答这些问题，让我们通过一个简单的案例研究了解在评估分类模型时使用的度量。

让我们通过案例研究深入了解概念

在这个全球化的时代，人们经常从一个地方旅行到另一个地方。由于乘客排队等候、办理登机手续、拜访食品供应商以及使用卫生间等设施，机场可能会带来风险。在机场追踪携带病毒的乘客有助于防止病毒的传播。

考虑一下，我们有一个机器学习模型，将乘客分为COVID阳性和阴性。在进行分类预测时，可能会出现四种类型的结果：

真正例（TP）：当你预测一个观察值属于一个类，而它实际上属于那个类。在这种情况下，也就是预测为COVID阳性并且实际上也是阳性的乘客。

真反例（TN）：当你预测一个观察不属于一个类，它实际上也不属于那个类。在这种情况下，也就是预测为非COVID阳性（阴性）并且实际上不是COVID阳性（阴性）的乘客。

假正例（FalsePositive，FP）：当你预测一个观察值属于某个类，而实际上它并不属于该类时。在这种情况下，也就是预测为COVID阳性但实际上不是COVID阳性（阴性）的乘客。

假反例（FN）：当你预测一个观察不属于一个类，而它实际上属于那个类。在这种情况下，也就是预测为非COVID阳性（阴性）并且实际上是COVID阳性的乘客。

混淆矩阵

为了更好地可视化模型的性能，这四个结果被绘制在混淆矩阵上。