1.机器学习常见模型评价指标

 这里主要是讲述分类问题。多分类问题是能够转化为二分类问题的。因此评价指标主要都是基于二分类来提出的。

1.混淆矩阵

• 优点：能够很好地包含了整体的分类结果信息
• 缺点：不直观，外行看不懂

2.准确度（Accuracy）

所有样本中被分类正确的比例。缺点就是不能衡量分布不均匀的情况。

计算时，分子就是混淆矩阵中对角线上的元素。

3. 精度（precison）

精确度也叫查准率，模型预测为正例的样本中，有多少位真正的正例。就是看模型对于我们所关注类别（也就是正例）预测的准确性。

计算就是考虑混淆矩阵的左边一列。 

 4.召回率（Recall）

也叫查全率。就是关注所有的实际正例中，有多少被预测准确的（就是数据集中有多少实际正例，能够被模型给找出来）。

计算是看混淆矩阵的上面一行。

4.F1-score

F1 Score是对精度和召回率的调和平均。好处就是当precision和recall有一项接近于0时，f1的值都会接近于0。 当两者都比较高时，f1值就比较高。

一个好的模型就是要让TP和TN的占比更高（正对角线元素），FP和FN尽可能地少（负对角线）

F- Score 和F2 Score

  的不同取值让模型更具有倾向性。 取0.5时就更倾向于precision，就是让预测出来的尽可能都是正确的； 取2时就更倾向于recall，就是希望模型能够吧所有的实例都找到（可以忽略预测成本）；取1就是没有倾向性。

5.多分类评价指标

多分类其实和二分类一样，也可以画出对应的混淆矩阵。例如右图中，正确预测的就是对角线上的。然后圈起来红色的2就是只实际标签为5模型预测出来为4的样本数。