对accuracy、precision、recall、F1-score、ROC-AUC、PRC-AUC的一些理解

　　最近做了一些分类模型，所以打算对分类模型常用的评价指标做一些记录，说一下自己的理解。使用何种评价指标，完全取决于应用场景及数据分析人员关注点，不同评价指标之间并没有优劣之分，只是各指标侧重反映的信息不同。为了便于后续的说明，先建立一个二分类的混淆矩阵 ，以下各参数的说明都是针对二元分类   

                                                            

 

1.准确率  accuracy

　　准确率：样本中类别预测正确的比例，即

                                                       

       准确率反映模型类别预测的正确能力，包含了两种情况，正例被预测为正例，反例被预测为反例，当我们对类别为1、类别为0的关注程度一致时(类别为对称的)，准确率是一个不错的评价指标，但是如果我们更关注样本被预测为类1的情况，准确率就不是一个合适的指标，因为通过它你无法知道正例的预测情况，因为反例的预测情况也包含在其中，而这并不是我们关注的。

2.精确率 precision

　　精确率：被预测为正例的样本中，真实的正例所占的比例，即

                                                                  

       精确率反映模型在正例上的预测能力，该指标的关注点在正例上，如果我们对正例的预测准确性很关注，那么精确率是一个不错的指标。例如在医学病情诊断上，患者在意的是“不要误诊”，此时精确率是合适的指标。

　　精确率是受样本比例分布影响的，反例数量越多，那么其被预测为正例的数量也会越多，此时精确率就会下降，因此当样本分布不平衡时，要谨慎使用精确率。

3.召回率 recall

　　召回率：真实的正例样本中，被预测为正例的样本所占的比例，即

                                                                   

　　召回率反映模型在正例正确预测上的覆盖率，有点“不允许有一条漏网之鱼”的感觉，如果我们关注的是对真实正例样本预测为正的全面性，那么召回率是很好的指标。例如在一些灾害检测的场景中，任何一次灾害的漏检都是难以接受的，此时召回率是很合适的指标（宁可错杀一百，不可放过一人，哈哈哈）。

　　召回率是不受样本比例不平衡影响的，因为它只关注的是正例样本上的预测情况。

4.F1-score

　　F1-score ：兼顾精准率与召回率的模型评价指标，其定义为：

                                                             

 

　　当对精准率或者召回率没有特殊要求时，评价一个模型的优劣就需要同时考虑精准率与召回率，此时可以考虑使用F1-score。F1-score实际上是precision与recall的调和平均值，而调和平均值的计算方式为

  　　　　　　　　　　　　　　　　

 

调和平均值有特点呢？|a - b| 越大，c 越小；当 a - b = 0 时，a = b = c，c 达到最大值，具体到精准率和召回率，只有当二者大小均衡时，F1-score 才高。同时，F1-score也考虑了Precision、Recall数值大小的影响，只有当二者都比较高时，F1-score才会比较大。

5.ROC-AUC

　　ROC(receiver operating characteristic curve)是一条曲线，其横轴表示的是FPR(False Positive Rate)——错误地预测为正例的概率，纵轴表示的是TPR(True Positive Rate)——正确地预测为正例地概率，二者地计算如下：

　　　　　　　　　　　　　　　　　

　　　　　　　　　　　　　　　　　

从TPR地计算方式来看，其实际上就是召回率。前面已说过，Recall不受样本不平衡的影响，实际上FPR也具有该特点。ROC曲线类似于下图，TPR、FPR地取值范围均在0~1之间

 　　　　　　　　　　　　　　

 

那么这张图是如何绘制出来地呢？在分类模型中(以决策树分类模型为例)，可以计算出样本属于正例/反例的概率，这个概率是基于叶子节点上的样本计算的，如果一个叶子节点上包含了m个正例、n个反例，那么当测试集上的样本被划分到该叶子节点上时，其被预测为正例的概率即为：m/(m+n)。获知样本被预测为正例的概率之后，设定一个概率阈值，大于等于该阈值的样本属于正例，小于该阈值的样本属于反例，这样就可以计算出TPR和FPR，在0~1上递增该阈值(需选定一个递增步长)，就可以计算出一些列的TPR与FPR，即可绘制出ROC；在回归模型中，是一样的方式。

　　AUC(area under curve)是一个数值，从定义上可以直观的看到其表征的意思——曲线与坐标轴围成的面积，ROC-AUC即表示的是ROC曲线与坐标轴围成的面积。

　　很明显的，TPR越大、FPR越小，模型效果越好，因此ROC曲线越靠近左上角表明模型效果越好，此时AUC值越大，极端情况下为1。与F1-score不同的是，AUC值并不需要先设定一个阈值。ROC-AUC不仅可以用来评价模型优劣，通过分析ROC曲线得形状特点还可以帮助分析模型，这在之后将专门写一篇博客来说明。

6.PRC-AUC

　　PRC与ROC类似，包括曲线的绘制方式，不同的是PRC的横轴是Recall，纵轴是Precision。一个PRC曲线的例子为

　　　　　　　　　　　　　　　　

 

　　Recall越大、Precision越大表明模型效果越好，此时PRC曲线靠近右上角，AUC值也越大。与ROC-PRC不同的是，Precision受样本不平衡的影响，相应的PRC也会因此形状变化。因此，在样本数据量比较大时，ROC会比较稳定，一般选择ROC-AUC来评价模型是较为合适的。而当阈值确定时，Precision、Recall、F1-score都可以用来评价模型

 

转载于:https://www.cnblogs.com/hgz-dm/p/11357936.html