使用评分函数评估模型性能

兴许是年纪大了，对于深度学习中的一些概念，弄懂了，过一段时间就模糊了。因此决定抄书……

抄书就从最烦人的xx率开始

使用准确率、精确率、召回率对分类器进行评分

准确率：

accuracy_score，在测试数据集中（记住哦，都是在测试数据集中，后面就不写了），预测正确的数据点的数量除以测试集全部的数量。一个分类结果，非对即错，对的/全部，就是准确率。是分类器中最基本的评分函数。

精确率：

precision_score，这个书上讲的好绕口，我一定记不住。该分数俗称模型找的对的能力评估。其分母就不是全部测试数据集了。比如现在有一个分类器（整个复杂的），可以分类猫、狗、鸡、鸭四种动物，总共100张，分类器认为其中有30张有猫咪的图片，但是其中这30张中只有15张有猫咪，那么这个模型针对猫咪的精确率只有15/30，50%。该值的分母为针对某一类别，分类器认为对的之中真正对了的比例。叫精确率。

召回率：

recall_score，（再多来几个率，我就吐血），召回率，俗称找的全，也叫敏感率。这个分母是测试集中包含猫的数量，其中某些被分类器正确识别为猫咪。那么召回率=识别正确的猫咪数量 / 猫咪的总量。

 

一般来讲，精确率和召回率是一对冤家。这个比较好理解。召回率高，也就是说找的全，比如说有100张测试集，有一个分类器算法，认为这100张图片里面既有猫咪，又有狗狗，那当然了，召回率100%，但是精确率就惨的很，如果猫咪狗狗各占一半，那精确率只有50%。那么如果精确率高，比如分类器为了保证正确，就拿出30张来，认为其中有猫咪，如果识别对了28张，那么精确率确实很高，但召回率就会很低。

如果召回率和准确率都很高，比如100%，那么说明这个算法很牛。打得准，又打得全。

 

下一节再加深理解一下正样本，负样本，及真正、假正、真负、假负（正负，真假，四个词组合全了）这几个绕口的概念