在sklearn.metrics中
一、分类模型评估
1.二分类:
混淆矩阵
TP(True Positive):实际是正类,识别为正类
FN(False Negative):实际是正类,识别为负类(漏)
FP(False Positive):实际是负类,识别为正类(错)
TN(True Negative):实际是负类,识别为负类
正确率Accuracy Rate:(TP+TN)/(TP+TN+FN+FP)
召回率TPR(True Positive Rate)/Recall:TP/(TP+FN)
F-measure/F-score:2*Recall*Accuracy/(Recall+Accuracy)
查准率(精准率)Precision:TP/(TP+FP)
错误接受率FPR(False Positive Rate):FP/(FP+TN)
错误拒绝率FRR(False Rejection Rate):FN/(TP+FN)
2.多分类
多元混淆矩阵
准确率:保持
召回率和F值:方法(1):先计算所有的TP、FN等,再以二值方法计算,方法(2):分别把每个类别当作正类,都算一个召回或F值,然后取加权或者不加权的平均
3.ROC与AUC
AUC是ROC曲线下的面积
4.增益