多分类f1分数_机器学习之分类模型评估总结

一、概述

在机器学习模型搭建好之后，需要对模型进行评估，针对不同的算法模型有不同的评估方法，比如：分类算法、回归算法、聚类算法等，本文主要是针对分类算法的模型评估方法进行总结整理，便于自己对评估方法的进一步理解和随时查阅。

二、详细说明

在介绍分类评估方法之前，首先介绍一个比较重要的概念：混淆矩阵，后续的评估方法都是在此基础之上定义的，对于分类模型而言（这里仅以最简单的二分类为例，假设只有0和1两类），其结果主要有以下四种：

• 实际为正、结果为正，预测正确
• 实际为正、结果为负，预测错误
• 实际为负、结果为正，预测错误
• 实际为负、结果为负，预测正确

混淆矩阵的形式，具体如下图所示：

P表示Positive、N表示Negative

其中：T、F表示预测结果是否正确、而后面跟的P、N主要是对应预测的结果，这下记住上面的图了吧！

介绍完混淆矩阵，接下来我们介绍常用的评价标准，主要包括：准确率、精确率、召回率、F1值、ROC曲线、AUC、P-R、KS曲线等

准确率

准确率很好理解，就是预测正确的占比，其公式为：

精确率

也称为查准率，在真实值为正的样本中，预测正确的样本占比，其计算公式表示为