机器学习分类结果评判标准-混淆矩阵&ROC曲线

因为在实际中常常遇到失衡数据集的分类问题，在我的译文应对非均衡数据集分类问题的八大策略中，其中一种策略就是改变衡量模型性能的计算方式，那么怎么衡量模型分类性能呢？

有ROC曲线，有混淆矩阵，有对应的实例

ROC曲线，横轴假阳性（样本为负，预测为正），纵轴真阳性（样本为正，预测为正），在每个可能的分类阈值下统计假阳性、真阳性，阈值越大曲线接近（0,0）点，阈值越小曲线趋近（1，1）点；通过AUC值：ROC曲线面积确定分类器性能好坏，AUC面积越大分类性能越好；

常规ROC曲线用于表示二分类分类器性能；对于多分类ROC曲线，采用“one versus all”，假设有三个类别，第一个ROC曲线，确定某一个类别为正，所有其他类别为负，第二三ROC曲线，以此类推，但此时的阈值选取更像商业决策，minimize your False Positive Rate or maximize your True Positive Rate -- 最大化真阳性，最小化假阳性，结合业务具体分析；