机器学习性能评估指标汇总

机器学习性能评估指标汇总

---

• Accuracy：准确率
• Precision：精确率 / 查准率
• Recall：召回率 / 查全率
• F1 score：F1 值
• PR：查准率、查全率曲线
• ROC：真正率、假正率曲线
• AUC：ROC曲线下方的面积（Area Under Curve）

---

混淆矩阵（Confusion Matrix）：

P：positive　　N：negative

---

1、Accuracy：准确率

预测正确的样本占总样本的比例：

---

2、Precision：精确率 / 查准率

预测的真正例占预测为正例的比例：

---

3、 Recall：召回率 / 查全率

预测的真正例占实际为正例的比例：

---

4、 F1 score：F1 值

Precision 和 Recall 的权衡（trade-off）

---

5、PR 曲线：查准率、查全率曲线

PR曲线：
根据不同的阈值得到的混淆矩阵计算 Precision、Recall。横坐标为Recall，纵坐标为 Precision。PR曲线越右左上角凸越好。
如果A模型的曲线完全向下包住B模型曲线，则A模型好于B模型。

---

6、ROC 曲线：真正率、假正率曲线

TPR：就是Recall

FPR：预测为假正例占实际为假正例的比例

ROC曲线：
根据不同的阈值得到的混淆矩阵计算 TPR、FPR。横坐标为 FPR，纵坐标为 TPR。
正常情况下 TPR 和 FPR 是正相关的。如果随着 TPR 的增加而 FPR 增加较少，则该阈值是好的。ROC曲线越向左上角凸越好。
如果A模型的曲线完全向下包住B模型曲线，则A模型好于B模型。

---

7、AUC：ROC曲线下方的面积（Area Under Curve）

AUC：
AUC越大越好，表示ROC曲线越向左上角凸。

---