本文介绍了分类模型的常用评价指标，包括混淆矩阵、ROC曲线和AUC。在正负样本不平衡的问题中，AUC成为重要的评价标准。混淆矩阵提供了TP、FP、FN和TN等概念，用于计算准确率、精确率、召回率和特异度。ROC曲线展示了不同阈值下模型的灵敏性和精确性变化，AUC则衡量ROC曲线下的面积，值越大模型效果越好。在样本不平衡的情况下，AUC更具优势。
在分类模型中，常用的评价指标包括混淆矩阵、ROC曲线、AUC、KS指标、提升度等。其中针对正负样本极度不平衡的分类问题，例如广告分类预测问题，最常用的模型评价指标就是AUC。
混淆矩阵是分类问题中常用的模型评价方法之一。以广告二分类问题为例，假设模型预测为正例则记为1（Positive），如点击用户；预测为反例则记为0（Negative），如非点击用户，那么我们可以将实际的数据情况与模型预测结果相结合，得到以下2×2矩阵，也就是我们常说的混淆矩阵，如图4-2所示。
其中，各参数说明如下：
·TP表示预测值为正例，真实值也为正例；·FP表示预测值为正例，真实值为反例；·FN表示预测值为反例，真实值为正例；·TN表示预测值为反例，真实值也为反例。
对于预测性的分类模型，当然是希望预测结果越准确越好。那么对应到混淆矩阵中，就是希望TP与TN对应位置的数值越大越好，而FP与FN对应位置的数值越小
最低0.47元/天 解锁文章
扫一扫
1244
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
