衡量机器学习分类模型 的几个 常用指标

1. 混淆矩阵
   TP表示实际为真预测为真，TN表示实际为假预测为假，FN表示实际为真预测为假，通俗讲就是漏报了，FP表示实际为假预测为真，通俗讲就是误报了。
2. 召回率 与 准确率
   召回率 也叫 查全率；
   准确率 也叫 查准率
   召回率=TP/(TP+FN)
   准确率=TP/(TP+FP)
3. 准确度 与 F1-Score
   准确度 是全体预测正确占全部样本的比例。
   F1-Score也是对准确率和召回率的一个均衡评价，国内外不少数据挖掘比赛都是重点关注F1-Score的值。
4. ROC 与 AUC
   ROC（Receiver Operating Characteristic Curve）受试者工作特征曲线，以真阳性率为纵坐标，假阳性率为横坐标绘制的曲线，是反映灵敏性和特效性连续变量的综合指标。一般认为ROC越光滑说明分类算法过拟合的概率越低，越接近左上角说明分类性能越好。AUC（Area Under the Receiver Operating Characteristic Curve）就是量化衡量ROC分类性能的指标，物理含义是ROC曲线的面积，AUC越大越好。
   参考链接

转载于:https://my.oschina.net/workhardforward/blog/2222045