分类模型的评估方法

（1）混淆矩阵

在分类任务中，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵，既适用于二分类任务，又适用于多分类任务。

（2）精确率(Precision)与召回率(Recall)

准确率 =（TP+TN）/ (TP+FP+FN+TN)

精确率：预测结果为正例样本中真实为正例的比例（了解） = TP / (TP + FP)

召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力） = TP  / (TP + FN)

（3）F1-score

F1-score，反映了模型的稳健型, 取值分为为0-1，取值越接近1越好，适用于多分类！

（4）分类评估报告api

 

• sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
• • y_true：真实目标值
  • y_pred：估计器预测目标值
  • labels:指定类别对应的数字
  • target_names：目标类别名称
  • return：每个类别精确率与召回率

（5）ROC曲线与AUC指标

TPR与FPR

• TPR = TP / (TP + FN)
  • 所有真实类别为1的样本中，预测类别为1的比例
• FPR = FP / (FP + TN)
  • 所有真实类别为0的样本中，预测类别为1的比例

ROC（receiver operating characteristic curve）曲线

• ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5

 AUC指标

• AUC的概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率
• AUC的范围在[0, 1]之间，并且越接近1越好，越接近0.5属于乱猜
• AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
• 0.5
• AUC只能用来评价二分类
• AUC非常适合评价样本不平衡中的分类器性能

AUC计算API

from sklearn.metrics import roc_auc_score

• sklearn.metrics.roc_auc_score(y_true, y_score)
  • 计算ROC曲线面积，即AUC值
  • y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
  • y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值