建模之常见模型评估指标（Keras, Sklearn, R）

相同算法请见建模之常见损失函数

序号	概况	表达式	场景	keras	sklearn	R
1	分类准确率	预测正确个数的占比	分类	keras.metrics.Accuracy accuracy	sklearn.metrics.accuracy_score	Accuracy
2	二分类准确率	同上	分类	keras.metrics.BinaryAccuracy keras.metrics.binary_accuracy binary_accuracy
3	多分类准确率	同上	分类	keras.metrics.CategoricalAccuracy categorical_accuracy
4		目标在前K个预测中的频率		keras.metrics.TopKCategoricalAccuracy top_k_categorical_accuracy
5		整数目标在前K个预测中的频率		keras.metrics.SparseTopKCategoricalAccuracy sparse_top_k_categorical_accuracy
6	交叉熵	同损失函数		keras.metrics.BinaryCrossentropy binary_crossentropy	同损失函数
7	交叉熵	同损失函数		keras.metrics.CategoricalCrossentropy categorical_crossentropy	同损失函数
8	交叉熵	同损失函数		keras.metrics.SparseCategoricalCrossentropy sparse_categorical_crossentropy	同损失函数
9	KL散度	同损失函数		keras.metrics.KLDivergence kullback_leibler_divergence	同损失函数
10	poisson	同损失函数		keras.metrics.Poisson poisson	同损失函数
11	mse	同损失函数	回归	keras.metrics.MeanSquaredError mean_squared_error	同损失函数
12	rmse	同损失函数	回归	keras.metrics.RootMeanSquaredError root_mean_squared_error	同损失函数
13	mae	同损失函数	回归	keras.metrics.MeanAbsoluteError mean_absolute_error	同损失函数
14	mape	同损失函数	回归/时序	keras.metrics.MeanAbsolutePercentageError mean_absolute_percentage_error	同损失函数
15	msle	同损失函数	回归	keras.metrics.MeanSquaredLogarithmicError mean_squared_logarithmic_error	同损失函数
16	余弦相似度	同损失函数		keras.metrics.CosineSimilarity cosine_similarity	同损失函数
17		同损失函数		keras.metrics.LogCoshError logcosh	同损失函数
18	AUC	$\frac{\sum (I(p_{pos},p_{neg}))}{pos\times neg}$ $if{p}_{pos}>p_{neg}:I(p_{pos},p_{neg})=1$ $if{p}_{pos}=p_{neg}:I(p_{pos},p_{neg})=0.5$ $if{p}_{pos}<p_{neg}:I(p_{pos},p_{neg})=0$	分类	keras.metrics.AUC	sklearn.metrics.auc	AUC
19	TP：正预测为正（预测正确）		分类	keras.metrics.TruePositives
20	TN：负预测为负（预测正确）		分类	keras.metrics.TrueNegatives
21	FP：负预测为正（预测错误）		分类	keras.metrics.FalsePositives
22	FN：正预测为负（预测错误）		分类	keras.metrics.FalseNegatives
23	准确率/PPV：预测结果为正的准确率	$\frac{TP}{TP+FP}$	分类	keras.metrics.Precision	sklearn.metrics.precision_score	Precision
24	召回率/TPR：正样本预测的准确率	$\frac{TP}{TP+FN}$		keras.metrics.Recall	sklearn.metrics.recall_score	Recall
25	特异度(specificity)/TNR：负样本预测的准确率	$\frac{TN}{TN+FP}$	分类
26	敏感度(sensitivity)/NPV：预测结果为负的准确率	$\frac{TN}{TN+FN}$	分类
27	召回率 >= recall时的准确率		分类	keras.metrics.PrecisionAtRecall(recall)	sklearn.metrics.precision_recall_curve
28	特异度 >= specificity时的敏感率		分类	keras.metrics.SensitivityAtSpecificity(specificity)
29	敏感度 >= sensitivity时的特异度		分类	keras.metrics.SpecificityAtSensitivity(sensitivity)
30	F1得分，$F_{\beta }$的特殊形式($\beta =1$)	$\frac{2\times \text{准确率}\times \text{召回率}}{\text{准确率}+\text{召回率}}$	分类		sklearn.metrics.f1_score	F1_Score
31	$R^2$	$1-\frac{\sum (y-\hat{y}{)}^2}{\sum (y-\overline{y}{)}^2}$	回归		sklearn.metrics.r2_score	R2_Score
32	balanced accuracy	$\frac{\text{召回率}+\text{特异度}}{2}$	分类		sklearn.metrics.balanced_accuracy_score
33	Brier score	$\overline{(\hat{y}-y{)}^2}$	分类		sklearn.metrics.brier_score_loss
34	F-beta score	$\frac{(1+{\beta }^2)\times \text{准确率}\times \text{召回率}}{{\beta }^2\times \text{准确率}+\text{召回率}}$	分类		sklearn.metrics.fbeta_score	FBeta_Score
35	ROC		分类		sklearn.metrics.roc_curve
36	方差回归得分	$1-\frac{\text{Var}(y-\hat{y})}{\text{Var}(y)}$	回归		sklearn.metrics.explained_variance_score