机器学习——

逻辑回归精确率召回率

精确率和召回率是用于评估分类模型性能的两个重要指标，特别是在二分类问题中（有正类和负类）

高召回率表示模型能够捕捉到更多的正类别样本，是在关注模型是否遗漏正类别样本方面非常重要的指标

精确率和召回率存在一种权衡关系：提高精确率可能会降低召回率调整阈值可以影响模型的精确率和召回率。

对于癌症检测，更关心召回率，因为不想遗漏任何一个患有癌症的病人。但在垃圾邮件检测中，更关心精确率，以减少误分类的邮件 

 

F1-score 

F1分数可以帮助你在精确率和召回率之间找到一个平衡点，从而更全面地评估模型性能

 

 

 

 

 

 ROC曲线和AUC指标

 

TPR真正率与FPR假正率 

 

 ROC曲线中，横轴表示假正例率，纵轴表示真正例率

当TPR=FPR时,ROC等于0.5，即不论真假判定为真的概率等于0.5

 

AUC指标 

AUC是ROC曲线下方的面积，即ROC曲线下的积分值。AUC的取值范围通常在0到1之间。AUC越接近1，表示模型的性能越好，因为它意味着在各种阈值下，真正例率相对较高，而假正例率相对较低

ROC曲线和AUC指标是用于评估二分类模型性能的工具，模型在不同阈值下的表现，对比不同模型的性能。ROC曲线提供了可视化，而AUC是一个单一的数值，用于总结模型的性能。