机器学习评价标准

评价指标

准确率(Accuracy)：预测正确的样本占所有样本的比例
弊端：不能处理不平衡数据集（多种类别数据分布不平衡），例如地震的预测，新冠患者的预测

精确率(Precision)：在所有被分类为正例的样本中，真正是正例的比例
常用于：推荐系统，例如推荐他喜欢的歌曲数量（10首），他实际喜欢的歌曲数量等

召回率(Recall)（医学上称作灵敏度，真阳性率）：实际为正例的样本中，被预测为正例的比例
常用于：医学，少数样本的检测

特异度(Specificity)：实际为负例的样本中，被预测为负例的样本比例

ROC 曲线：根据一系列不同的二分类方式（阈值 或分界值），以TPR （灵敏度 ）为纵坐标 ，假阳性率 FPR （1-特异度 ）为横坐标绘制的曲线

注意：
1、常用的分类指标是：
准确率、精确率、召回率
以上指标可以与二分类或者多分类问题
2、ROC曲线，是一个评价指标 ，主要用来评估模型的性能。只能用于二分类问题