机器学习分类模型评估常用指标

常见模型评估指标

通常在模型评估中都会有使用这样一张图：

真实	预测
	阳性	阴性
阳性	真阳性(TP)	假阴性(FN)
阴性	假阳性(FP)	真阴性(TN)

常见的指标有这些：

• ACC:通常用来表示所有样本被正确分类的比例，ACC = (TP+TN) / (TP+FN+FP+TN)
• Rec:通常用来表示阳性样本被正确分类的比例，Rec = TP/(TP + FN)
• Pre:通常用来表示预测为阳性样本的比例，Pre = TP/(TP + FP)
• F度量：通常用来表示一个模型或者分类器的综合性能，它是Rec和Pre的调和平均. F = 2*Pre*Rec / (Pre + Rec）

通常在模型评估中，ACC都能反映出我们的模型的样本分类准确度，但是在一些特定的场合下，我们就需要综合考虑一下各种指标，比如在原本预测精度就比较大的场合下就需要借助下其他指标综合评定。

本文章为个人学习笔记，写的不好见谅。