模型评估方法以及评估指标——准确率、精确率、召回率以及P-R曲线和ROC曲线介绍

本文链接：https://blog.csdn.net/qq_42600675/article/details/110739508

本文详细介绍了模型评估中的准确率、精确率、召回率，并探讨了P-R曲线和ROC曲线在评估模型性能时的作用，强调了在样本分布不均时，单纯依靠准确率可能产生误导，而P-R和ROC曲线能提供更全面的评估。此外，还讨论了Holdout检验、交叉检验和自助法等模型验证方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型评估方法以及评估指标——准确率、精确率、召回率以及P-R曲线和ROC曲线介绍

前言
一、准确率、精确率、召回率
二、P-R曲线和ROC曲线
- 2.1 P-R曲线
- 2.2 ROC曲线
三、模型评估验证方法

前言

”没有测量，就没有科学“

在机器学习中，只有选择与问题相匹配的评估方法，才能快速地发现模型选择或训练过程中出现的问题，迭代地对模型进行优化。模型评估主要是离线评估和在线评估两个阶段，本文整理了常见的模型评估方法以及一些模型评估指标的介绍，以供学习查阅。

一、准确率、精确率、召回率

准确率、精确率、召回率是评估模型中常见的三个指标，以下表为例，我们来对这三个指标进行介绍

y\y_pred	预测为合格(0)	预测为不合格(1)	合计
合格(0)	182(True Positive)	18(False Negatice)	200
不合格(1)	26(False Positive)	174(True Negative)	200
合计	208	192	400

上表中显示了模型对产品进行是否合格的预测结果，产品共400件。

1.1 准确率(Accuracy)

准确率是指分类正确的样本占总样本个数的比例，即 $Accuracy = n_{correct}/n_{total}$
其中 $n_{correct}$ 为被正确分类的样本个数， $n_{total}$ 为总样本的个数。以上表为例，则预测产品是否合格的模型的准确率为 $acc=(182+174)/400*100\% = 89.0\%$