机器学习——不平衡分类指标

             

 

 准确率（acc），代表分对的样本占所有样本的比例，在不平衡分类中不可信，比如当样本比例为99:1的时候，只需要让多数类都分对，准确率就可以达到99%，但实际上少数类却被全部分错了。

查准率，又叫精确率，用查准率比较好理解，字面理解就是查的准不准，就是希望我判断为真的样本，有哪些是确实的是正的样本

召回率(Recall, TNR, sensitivity)，就是实际为正的样本中有多少被正确识别为真了。

F1 是对查准率和召回率的权衡，可以用于不平衡分类评价指标

G-Mean，几何平均

  TNR也叫特异度（speciality）TNR = TN/(TN+FP) TPR = TP/(TP + FN)

(a)(c)为ROC，(b)(d)为PR，(a)(b)样本比例1:1，(c)(d)为1:10

ROC曲线随着不平衡度的变化而变化较小，而PR曲线随着不平衡度的变化而变化明显，因此PR曲线更适合用于不平衡指标

AUC则是曲线下面的面积，一般是面积越大说明分类器效果越好

总的来说，常用的不平衡分类指标为PR曲线，GMean，F1

在多分类中

micro和macro的区别

micro是对整体的，比如求准确率，则求出所有类别的TP，FP，然后求microP

macro是最每个类别分别求准确率，然后求均值

以上图片均来自https://www.jianshu.com/p/b84e0b33b7a6

有问题可以给我留言哦

   最近开通了一个公众号，里面会分享一些机器学习，深度学习，推荐系统的学习笔记和相关知识，同时也会分享一些面经，感兴趣的小伙伴可以关注一下，十分感谢，比心