Machine Learning-模型评估与调参 ——混淆矩阵

机器学习系列专栏

选自 Python-Machine-Learning-Book On GitHub

作者：Sebastian Raschka

翻译&整理 By Sam

讲完了很多模型选择和调参的方法，那么评价指标就差不多要派上用场了，不同的模型对应着不同的评价指标，这个需要有一个意识，应该不同的评价指标选择出来的最优模型都是不一样的，所以还是需要根据具体的业务需求来选择适合自己模型的评价指标。

而讲评价指标，都是先要了解一下 混淆矩阵。

混淆矩阵，大家应该都有听说过，大致就是长下面这样子的：

所以，有几个概念需要先说明：

TP(True Positive): 真实为0，预测也为0

FN(False Negative): 真实为0，预测为1

FP(False Positive): 真实为1，预测为0

TN(True Negative): 真实为1，预测也为1

所以，衍生了几个常用的指标：

: 分类模型总体判断的准确率(包括了所有class的总体准确率)

: 预测为0的准确率

: 真实为0的准确率

: 真实为1的准确率

: 预测为1的准确率

: 对于某个分类，综合了Precision和Recall的一个判断指标，F1-Score的值是从0到1的，1是最好，0是最差

: 另外一个综合Precision和Recall的标准，F1-Score的变形

再举个例子：

混淆矩阵网络上有很多文章，也不用说刻意地去背去记，需要的时候百度一下你就知道。

—End—