模型评估

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