分类模型评估指标

一个良好的机器学习系统，其核心是合理的评估指标，在面对分类的类别不平衡的情况下，关于其评价指标有如下几个：

其在skLearn的API为：sklearn.metrics

二分类时：

混淆矩阵：（Confusion Matrix），函数：metrics.confusion_matrix，其形式为如下，：

即有TP（真阳性），FP（假阳性），FN（假阴性），TN（真阴性），总样本数量为：Z = TP+FP+FN+TN

准确率Accuracy，就是预测准确的概率：（TP+TN）/Z。函数：metrics.accuracy_score

精确率Precision，是针对预测结果而言，预测为正的样本中真正的正样本：TP/（TP+FP）。函数：metrics.precision_score

召回率Recall，是针对样本而言，其表明的是样本中的正样本被预测准确的概率：TP/（TP+FN）。函数：metrics.recall_score

评价曲线：ROC（receiver operating characteristic curve）曲线，其纵坐标为（召回率）：预测为正且实际为正的样本占所有正例样本的比例，横坐标为：预测为正但实际为负的样本占所有负例样本的比例 FP/FP+TN ；取定一个概率阈值，高于阈值的为正样本，低于阈值的为负样本。（这个位置可以看，对数几率回归的概率）。metrics.roc_curve

ACU指标：即ROC对横轴的面积。ACU的值越大，则其分类器的效果越好。metrics.roc_auc_score

多分类时：

混淆矩阵：

也可以表示其分类（猫，狗，兔）的效果。

具体的讲解这篇文章很详细   https://www.jianshu.com/p/c61ae11cc5f6