评估指标总结

• 分类问题

混淆矩阵

真实情况	预测情况
	1	0
1	TP	FN
0	FP	TN

 

准确率(Accuracy)

accuracy = (TP+TN)/(TP+FN+FP+TN)

精度(Precision)

precision = TP/(TP+FP)

召回率(Recall)

recall = TP/(TP+FN)

F1-score

F1=2*precision*recall/(precision+recall)

ROC

横坐标：FPR=FP/(FP+TN)

纵坐标：TPR=TP(TP+FN)=Recall

AUC

ROC曲线的下面积，值越大，则分类器性能越好；如果小于0.5，则分类器性能不如随机猜测。AUC的物理意义是：假设分类器的输出是样本属于正类的概率，则AUC的物理意义为，任取一样本，事件正样本的概率大于负样本概率所发生的概率。

• 回归问题

平均绝对误差MAE

均方误差

R平方值

表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何

参考：https://blog.csdn.net/u010579901/article/details/81359784