评价不平衡数据集的分类预测指标有哪些？

1. 准确率（Accuracy）：
   - 准确率是最常见的评价指标之一，但在不平衡数据中可能不够准确。

2. 精确率（Precision）和召回率（Recall）：
   - 精确率（Precision）：TP / (TP + FP)，其中 TP 是真正例，FP 是假正例。
   - 召回率（Recall）：TP / (TP + FN)，其中 FN 是假负例。

3. F1分数：
   - F1分数综合了精确率和召回率，是它们的调和平均值。
   - F1 = 2 * Precision * Recall / (Precision + Recall)

4. 面积受限制的ROC曲线下的面积（AUC-ROC）：
   - AUC-ROC表示模型在不同分类阈值下真正例率与假正例率之间的权衡。

5. 马修斯相关系数（MCC）：
   - MCC是一个综合考虑了四个分类结果的指标，对于不平衡数据集具有鲁棒性。

6. 加权准确率（Weighted Accuracy）：
   - 将每个类别的准确率按照类别的样本比例进行加权求和。

7. 混淆矩阵（Confusion Matrix）：
   - 混淆矩阵提供了一个清晰的视角，展示了模型在每个类别上的表现。

选择适当的评价指标取决于具体的问题和关注的任务，有时可能需要综合考虑多个指标以全面评估分类器的性能。在处理不平衡数据时，特别重要的是关注与任务目标相关的指标，并理解不同指标之间的权衡关系。