1.分類評估方法

1.1 精確率與召回率

1.1.1 混淆矩陣

在分類任務下，預測結果(Predicted Condition)與正確標記(True Condition)之間存在四種不同的組合，構成混淆矩陣(適用於多分類)

1.1.2 準確率、精確率(Precision)與召回率(Recall)

• 準確率：（對不對）
  • （TP+TN）/(TP+TN+FN+FP)
• 精確率：（查的準不準）
  • TP/(TP+FP)
    
• 召回率：查的全不全
  • TP/(TP+FN)
    

1.2 F1-score

F1-score，反映了模型的穩健型

1.3 分類評估報告API

• sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
  • y_true：真實目標值
  • y_pred：估計器預測目標值
  • target_names：目標類別名稱
  • return：每個類別精確率與召回率

ret = classification_report(y_test, y_predict, labels=(2,4), target_names=("良性", "惡性"))
print(ret)

2 ROC曲線與AUC指標

假設這樣一個情況，如果99個樣本癌症，1個樣本非癌症，不管怎樣我全都預測正例(預設癌症為正例),準確率就為99%但是這樣效果並不好，這就是樣本不均衡下的評估問題

問題：如何衡量樣本不均衡下的評估？

2.1 TPR與FPR

• TPR = TP / (TP + FN)
  • 所有真實類別為1的樣本中，預測類別為1的比例
• FPR = FP / (FP + TN)
  • 所有真實類別為0的樣本中，預測類別為1的比例

2.2 ROC曲線

ROC曲線的橫軸就是FPR，縱軸就是TPR，當二者相等時，表示的意義則是：對於不論真實類別是1還是0的樣本，分類器預測為1的概率是相等的，此時AUC為0.5

2.3 AUC指標

• AUC的概率意義是隨機取一對正負樣本，正樣本得分大於負樣本得分的概率
• AUC=1，完美分類器，採用這個預測模型時，不管設定什麼閾值都能得出完美預測。絕大多數預測的場合，不存在完美分類器。
• 0.5<AUC<1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
  • 越接近1，效果越好
  • 越接近0，效果越差
  • 越接近0.5，效果就是胡說