1 分类问题的评价指标
1.1 Accuracy
Accuracy(精度),计算方法为:
对于模型预测结果,判断正确记1,判断错误记0,所以Acc表示模型预测正确的样本数占样本总数的比例,取值为 0-1 ,越接近 1,说明模型的效果越好。就是错误率。
对输出的每个类别惩罚都一样,但是在很多实际问题中,我们认为做出某种错误判断代价会大一些。比如银行要对贷款人进行信用评估,这里会出现两种错误:①贷款人具有还款能力,但是被判断为没有还款能力;②贷款人没有还款能力,但是被判断为具有还款能力。如果贷款机构想尽量规避风险,那么在训练模型的时候就应该加大对第②种情况的惩罚。
1.2 Precision
首先说明一下混淆矩阵,下图截自西瓜书:
根据表格先琢磨一下 都表示什么意思,这里有点绕。
Precision(查准率 / 准确率),计算方法为:
查准率表示预测为正例的样本中,预测正确的比例。举个例子,我们模型对200个样本进行预测,预测结果是120个正例,80个反例。那么在我们预测为正例的这120个样本中,假设有100个为正例,20个为反例,那么查准率就是 。
1.3 Recall
Recall(查全率 / 召回率),计算方法为:
查准率表示预测为正例的样本中,预测正确的比例。还是上面例子,我们有200个样本,这20