十分钟掌握分类算法的评估指标

这是我参与8月更文挑战的第16天，活动详情查看：8月更文挑战

什么是评估指标？

评估指标是针对模型性能优劣的一个定量指标。一种评价指标只能反映模型一部分性能，如果选择的评价指标不合理，那么可能会得出错误的结论，故而应该针对具体的数据、模型选取不同的的评价指标。

针对不同类型的学习任务，我们有不同的评估指标，这里我们来介绍最常见的分类算法的一些评估指标。常用的分类任务评价指标有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 Score、P-R曲线（Precision-Recall Curve）、ROC、AUC等。

基本概念-混淆矩阵

混淆矩阵（confusion matrix）是一个评估分类问题常用的工具，对于 k 元分类，其实它就是一个k x k的表格，用来记录分类器的预测结果。对于常见的二分类，它的混淆矩阵是 2×2 的。

在二分类中，可以将样本根据其真实结果和模型的预测结果的组合划分为真阳性（true positive，TP）、真阴性（true negative，TN）、假阳性（false positive，FP）、假阴性（false negative，FN）。根据 TP、TN、FP、FN 即可得到二分类的混淆矩阵，如下图所示。

• TP：True Positives， 表示 真实值为正例 且被 分类器判定为正例（预测值） 的样本数
• FP：False Positives， 表示 真实值为负例 且被 分类器判定为正例（预测值） 的样本数
• FN：False Negatives， 表示 真实值为正例 但被 分类器判定为负例（预测值） 的样本数
• TN：True Negatives， 表示真实值为负例且被 分类器判定为负例（预测值） 的样本数

注意：

第一个字母表示真实值与预测值划分正确与否， T 表示判定正确（True）， F 表示判定错误 (False)。

第二个字母表示分类器判定结果(预测结果)， P 表示判定为正例， N 表示判定为负例。

分类算法的评估指标

准确率（Accuracy）

准确率是指分类正确的样本占总样本个数的比例。准确率是针对所有样本的统计量。它被定义为：