分类模型评价

评价一个分类模型的好坏，我们需要一些评价指标，如Acc、Recall和Pression等，下面就和大家分享一下这三个指标。

一、几个常用术语

首先，我们先说一下几个常用术语：TP（True positives）、TN（True negatives）、FP（False positives）、FN（False negatives）
TP —— 模型预测样本是正样本，这个样本的真实结果也是正样本；比如：模型预测该客户是一个流失客户，然后实际情况是这个客户确实是一个流失掉的客户。
FN —— 模型预测样本是负样本，这个样本的真实结果也是一个负样本；比如：模型预测该客户不是一个流失客户，然后实际情况是这个客户确实不是一个流失掉的客户。
FP —— 模型预测样本是正样本，这个样本的真实结果却是负样本；比如：模型预测该客户是一个流失客户，然后实际情况是这个客户不是一个流失掉的客户。
TN —— 模型预测样本是负样本，这个样本的真实结果是正样本；比如：模型预测该客户不是一个流失客户，然后实际情况是这个客户确是一个流失掉的客户。

二、Acc、Recall和Pression的表示

如下图，我们将图中的整个矩形区域比喻为我们的训练集，且只有正类和负类，即训练集=TN+TP+FN+FP
那么我么可以用准确率来评价我们分类模型的好坏。准确率就是我们的预测值与真实值相同时的概率，即

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

但是单用准确率来平价模型的好坏有一定的局限性，如我们的数据不平衡或者类偏斜的时候，这个时候呢，我们就需要引入Recall和Pression。

Pression指的是精确率，就是说我们预测为正类中实际也为正类的比例，即

Pression=TP/(TP+FP)

Recall指的是召回率，即我们预测为正类实际上也为正类在所有真实为正类中的占比，即

Recall=TP/(TP+TN)

总结：在不能只用准确率来平价模型好坏时，我们就需要通过精确率和召回率来评价，但在实际应用中，要根据应用场景来选择精确率或召回率的高低来平价分类模型。

以上仅是个人的看法，希望对您有所帮助，如果有发现不妥的地方，希望可以评论区留言，我们可以进一步探讨，多谢批评指正！