基础评估指标知识

搬运于 https://www.cnblogs.com/zongfa/p/9431807.html

一、分类问

• 对于二类分类器/分类算法，评价指标主要有accuracy，[Precision，Recall，F-score，Pr曲线]，ROC-AUC曲线。

• 对于多类分类器/分类算法，评价指标主要有accuracy， [宏平均和微平均，F-score]。

混淆矩阵

混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。矩阵中的每一行代表实例的预测类别，每一列代表实例的真实类别。

• 真正(True Positive , TP)：被模型预测为正的正样本。
• 假正(False Positive , FP)：被模型预测为正的负样本。
• 假负(False Negative , FN)：被模型预测为负的正样本。
• 真负(True Negative , TN)：被模型预测为负的负样本。

真正率(True Positive Rate,TPR)：TPR=TP/(TP+FN)，即被预测为正的正样本数 /正样本实际数。
假正率(False Positive Rate,FPR) ：FPR=FP/(FP+TN)，即被预测为正的负样本数 /负样本实际数。
假负率(False Negative Rate,FNR) ：FNR=FN/(TP+FN)，即被预测为负的正样本数 /正样本实际数。
真负率(True Negative Rate,TNR)：TNR=TN/(TN+FP)，即被预测为负的负样本数 /负样本实际数

1.准确率（Accuracy）

准确率是最常用的分类性能指标。即正确预测的正反例数 /总数。

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

## accuracy
import numpy as np
from sklearn.metrics import accuracy_score
y_pred = [0, 1, 0, 1]
y_true = [0, 1, 1, 1]
print('ACC:',accuracy_score(y_true, y_pred))

ACC = 0.75

2.精确率（Precision）

精确率容易和准确率被混为一谈。其实，精确率只是针对预测正确的正样本而不是所有预测正确的样本。表现为预测出是正的里面有多少真正是正的。可理解为查准率。即正确预测的正例数 /预测正例总数。

Precision = TP/(TP+FP)

3.召回率（Recall）

召回率表现出在实际正样本中，分类器能预测出多少。与真正率相等，可理解为查全率。即正确预测的正例数 /实际正例总数。