【机器学习】--模型评估指标之混淆矩阵，ROC曲线和AUC面积

一、前述

怎么样对训练出来的模型进行评估是有一定指标的，本文就相关指标做一个总结。

二、具体

1、混淆矩阵

混淆矩阵如图：

相关公式：

公式解释：

fp_rate：

tp_rate:

recall:（召回率）

值越大越好

presssion:（准确率）

TP:本来是正例，通过模型预测出来是正列

TP+FP：通过模型预测出来的所有正列数（其中包括本来是负例，但预测出来是正列）

值越大越好

2、ROC曲线

过程：对第一个样例，预测对，阈值是0.9，所以曲线向上走，以此类推。

对第三个样例，预测错，阈值是0.7 ，所以曲线向右走，以此类推。

几种情况：

所以得出结论，曲线在对角线以上，则准确率好。

3、AUC面积

M是样本中正例数

N是样本中负例数

其中累加解释是把预测出来的所有概率结果按照分值升序排序，然后取正例所对应的索引号进行累加

通过AUC面积预测出来的可以知道好到底有多好，坏到底有多坏。因为正例的索引比较大，则AUC面积越大。

总结：

原文地址：https://www.cnblogs.com/LHWorldBlog/p/8656439.html