分类评价指标

目录

1、二分类

（1）指标：

（2）场景：

（3）参考公式计算：

2、多分类

---

---

1、二分类

（1）指标：

准确率、精确率、召回率、F1、roc曲线、AUC值

（2）场景：

（2.1）准确率、精确率、召回率都有比较特定的场景，例如搜索结果准确率适宜精确率、医生检查病症适宜召回率，F1是精确率和召回率的调和考虑指标；

（2.2）roc曲线、AUC值是仅适应2分类问题时的很好用指标，AUC值是ROC曲线面积的量化，所以关键理解下roc曲线横纵坐标：roc曲线是越往左上角越好，纵坐标是看真正率（正的里面预测为正的，越多越好），横坐标是看假正率（负的里面预测为正的，越少越好），所以两个坐标想表达的意思都是“实际情况”里的情况，因此当需要预测的数据正负样本不平衡并不会导致曲线有较大变动，这点上比P-R曲线好；再者，roc的曲线生成过程是利用了很多个阈值，也比单纯利用一次阈值得到精确率、准确率要更有说服性；另外，也可以看出只适应于2分类评价情况。

（3）参考公式计算：

参考详细描述链接：

https://blog.csdn.net/wf592523813/article/details/95202448?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

2、多分类

F1-score

在spark mllib中，evaluator中有区分2分类还是多分类库

import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator