auc-终于理解它

沙扬娜拉的裙裾

于 2020-06-29 22:26:50 发布

阅读量2.3k

点赞数

分类专栏： auc

本文链接：https://blog.csdn.net/u011089927/article/details/107028760

版权

本文介绍了模型评价指标，包括准确率、召回率、精确率、F1score和AUC。通过混淆矩阵解释了这些指标的含义，特别讨论了精准率与召回率之间的矛盾，并介绍了F-score作为调和精准率与召回率的指标。文章预告将深入探讨AUC的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

模型评价指标有几种，面试应该是必考了：准确率、召回率、精准率、F1score、auc。

先引入混淆矩阵，纵轴是预测情况，阴/阳，横轴是真实标签，阴/阳

准确率=TP+TN/all 所有样本中预测正确的比例

召回率=TP/TP+FN ，所有正样本中预测为正样本的比例，又叫查全率

精确率=TP/TP+FP ，预测为正样本中真正正样本的比例，又叫查准率，衡量正样本的准确率，而准确率既考虑正样本，又考虑负样本

精准率和召回率是矛盾的：为啥呢，举例，我要提高精准率，那么提高阈值，原来0.7判定为正样本&#