實際上非常簡單，精確率是針對我們預測結果而言的，它表示的是預測為正的樣本中有多少是對的。那么預測為正就有兩種可能了，一種就是把正類預測為正類(TP)，另一種就是把負類預測為正類(FP)。

? ? ? ? ? ? ? ? ? ? ? P = TP/(TP+FP)

而召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了。那也有兩種可能，一種是把原來的正類預測成正類(TP)，另一種就是把原來的正類預測為負類(FN)。

? ? ? ? ? ? ? ? ? ? ? R = TP/(TP+FN) ? ? ? ? ? ?
T

---

在信息檢索領域，精確率和召回率又被稱為查準率和查全率，

---

ROC 曲線

我們先來看下維基百科的定義，

In signal detection theory, a receiver operating characteristic (ROC), or simply ROC curve, is a graphical plot which illustrates the performance of a binary classifier system?as its discrimination threshold is varied.

比如在邏輯回歸里面，我們會設一個閾值，大于這個值的為正類，小于這個值為負類。如果我們減小這個閥值，那么更多的樣本會被識別為正類。這會提高正類的識別率，但同時也會使得更多的負類被錯誤識別為正類。為了形象化這一變化，在此引入 ROC ，ROC 曲線可以用于評價一個分類器好壞。

ROC 關注兩個指標，

直觀上，TPR 代表能將正例分對的概率，FPR 代表將負例錯分為正例的概率。在 ROC 空間中，每個點的橫坐標是 FPR，縱坐標是 TPR，這也就描繪了分類器在 TP（真正率）和 FP（假正率）間的 trade-off²。

---

AUC

AUC（Area Under Curve）被定義為ROC曲線下的面積，顯然這個面積的數(shù)值不會大于1。

The AUC value is equivalent to the probability that a randomly chosen positive example is ranked higher than a randomly chosen negative example.

翻譯過來就是，隨機挑選一個正樣本以及一個負樣本，分類器判定正樣本的值高于負樣本的概率就是 AUC 值。

簡單說：AUC值越大的分類器，正確率越高³。

• ，完美分類器，采用這個預測模型時，不管設定什么閾值都能得出完美預測。絕大多數(shù)預測的場合，不存在完美分類器。
• ，優(yōu)于隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
• ，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。
• ，比隨機猜測還差；但只要總是反預測而行，就優(yōu)于隨機猜測，因此不存在??的情況。

既然已經(jīng)這么多評價標準，為什么還要使用ROC和AUC呢？因為ROC曲線有個很好的特性：當測試集中的正負樣本的分布變化的時候，ROC曲線能夠保持不變。在實際的數(shù)據(jù)集中經(jīng)常會出現(xiàn)類不平衡（class imbalance）現(xiàn)象，即負樣本比正樣本多很多（或者相反）

---

回歸⁴

平均絕對誤差

平均絕對誤差MAE（Mean Absolute Error）又被稱為??范數(shù)損失（l1-norm loss）：

---

平均平方誤差

平均平方誤差 MSE（Mean Squared Error）又被稱為??范數(shù)損失（l2-norm loss）：

總結

以上是生活随笔為你收集整理的模型评估准确率、召回率、ROC曲线、AUC总结的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。