二分类评价指标
二分类评价指标
评价指标是针对同样的数据，输入不同的算法，或者输入相同的算法但参数不同 而给出这个算法或者参数好坏的定量指标。
本文将问题看成二分类问题，因此本文主 要用到的评价指标有准确度、召回率、ROC 曲线以及 AUC 面积，这些是在二分类问 题比较常见的指标。
混淆矩阵是 ROC 曲线绘制的基础，同时它也是衡量分类型模型 准确度中最基本、最直观、计算最简单的方法。以分类模型中的二分类为例，对于这 种问题，模型最终需要判断样本的结果是 0 还是 1，或者说是 Positive 还是 Negative。
因此，能得到这四个基础指标，可以看成是一级指标：
真实值是 Positive，模型认为 是 Positive 的数量(TP)。
真实值是 Positive，模型认为是 Negative 的数量(FN)。
真实值 是 Negative，模型认为是 Positive 的数量(FP)。
真实值是 Negative，模型认为是 Negative的数量(TN)。
将这四个指标一起呈现在表格中，就能得到如表 3 这样一个矩阵，称它 为混淆矩阵。预测性分类模型，是希望越准越好。在混淆矩阵中，TP 与 TN 的数量越 大越好，而 FP 与 FN 的数量越小越好。
一、混淆矩阵
二、准确率，错误率，召回率
准确率和错误率也是常用的评估指标，精确率是一个二分类指标，准确率能应用 于多分类。
准确率指的是预测值为 1 且真实值也为 1 的样本在预测值为 1 的所有样本中所占 的比例。
召回率指的是预测值为 1 且真实值也为 1 的样本在真实值为 1 的所有样本中 所占的比例。
三、AUC值
AUC 是指 ROC 曲线下与坐标轴围成的面积，这个面积的数值小于等于 1。又因 为 ROC 曲线一般都处于 y=x 这条直线的上方，所以 AUC 的取值范围在 0.5 和 1 之间。 AUC 越接近 1.0，检测方法的实性越高；等于 0.5 时真实性最低，无应用价值。
