机器学习中的评价指标

分类指标

通常，分类指标主要包含错误率、精度、准确率（查准率）、召回率（查全率）、F1-score、ROC曲线、AUC和对孙函数等。

错误率和精度

在分类任务中，错误率是分类结果中错误数占总数的比例。精度则等于1-错误率。

精确率与召回率

精确度是指分类器判定为正类中真正的正类样本所占的比。
召回率是指分类器判定为正类中占样本总正类样本数所占的比。
精确度和召回率并不能真正反映分类器的性能，因此引入F1-score。

x × y = z x \times y=z x×y=z

F1-score

F 1 S c o r e = 2 × 准 确 率 × 召 回 率 准 确 率 + 召 回 率 F1Score = 2 \times \frac{准确率 \times 召回率}{准确率+召回率} F1Score=2×准确率+召回率准确率×召回率​

from sklearn.metrics import precision_score,recall_score,f1_score
precision = precision_score(y_ytrain,y_pred)
recall = recall_score(y_ytrain,y_pred)
f1 = f1_score(y_ytrain,y_pred)

ROC曲线、AUC

这俩指标通常用来评价二分类分类器的优劣。

特别的 AUC特别适用于排序评价。