【机器学习】模型选择与评估中的常用指标

机器学习中的评估指标

0 概述

使用机器学习方法为任务进行建模已变得很常见，主要应用在分类和回归两大任务体系中。
本节针对分类和回归任务，依次梳理出两个类任务中常见的模型性能评估指标

1 分类任务中的评估指标

1.1 混淆矩阵

混淆矩阵的列代表模型预测的标签，行表示样本实际的标签。二分类时候，如果将正预测记作P，负预测记作N，分别对应于样本的实际标签予以逻辑判断正确T和错误F，可以生成TP,FP,TN,FN四个标签，如下表所示，混淆矩阵有助于研究者观察模型预测各类别的能力，并据此分析潜在的可能原因和模型性能提升方法。

TP: 预测为正，实际样本为正。
FP：预测为正，实际样本为负。
TN: 预测为负，实际样本为负。
FN: 预测为负，实际样本为正。

1.2 准确率

准确率是指模型分类正确的样本数量占总样本数量的比例。
分类正确的样本数：$ TP + TF $

总样本数：$ TP + FP + TN + FN $

准确率:$ ACC = \frac {TP + TF}{TP + FP + TN +FN} $

1.3 精确率

精确率是指模型预测为正，实际样本为正（TP）与所有模型预测为正的样本数量的比值。

精确率：$ P = \frac {TP}{TP + FP}$

1.4 召回率

召回率是指模型预测为正，实际样本为正(TP)与所有实际样本为正(TP + FN)数量的比值。

召回率：$ R = \frac {TP}{TP + FN}$

1.5 综合评价指标F值

F值是P值和R的综合，当P值和R值出现矛盾情况的时候，就需要使用F值来评价模型的性能。

$ F = \frac {(\alpha^2 + 1) P * R }{\alpha^2(P + R)} $

当$ \alpha = 1$时，为常用的F1值：

$F1 = \frac {2 P * R }{P + R} $

1.6 ROC曲线

ROC曲线的纵轴是TPR真正率，横轴是FPR假正率。

ROC曲线下方的面积计算出的值称作AUC，它处于0.5-1之间，AUC越大，表示模型分类效果越好。

1.7 PR曲线

PR曲线的横坐标是精确率P，纵坐标是召回率R。评价标准和ROC一样，先看平滑不平滑（越平滑越好）。
一般来说，在同一测试集，上面的比下面的好（绿线比红线好）。
当P和R的值接近时，F1值最大，此时画连接(0,0)和(1,1)的线，线和PRC重合的地方的F1是这条线最大的F1（光滑的情况下），此时的F1对于PRC就好像AUC对于ROC一样。
一个数字比一条线更方便调型。

PR曲线下的面积称为AP（Average Precision），表示召回率从0-1的平均精度值。AP可用积分进行计算。
AP面积的不会大于1。PR曲线下的面积越大，模型性能则越好。性能优的模型应是在召回率（R）增长的同时保持精度（P）值都在一个较高的水平，而性能较低的模型往往需要牺牲很多P值才能换来R值的提高。

1.8 分类文本报告

classification_report函数用于显示主要分类指标的文本报告．在报告中显示每个类的精确度，召回率，F1值等信息。

2 回归（待更新）

Reference:https://zhuanlan.zhihu.com/p/86120987