目錄

常見統計量

一般對於一個二分類問題，需要統計預測得到的正負樣本的個數和預測成功和失敗的樣本個數

• True: 預測正確的樣本數
• False: 預測錯誤的樣本數
• Positive: 預測為正樣本的樣本數
• Negative: 預測為負樣本的樣本數

組合的統計量

將以上的四個量進行組合得到下面的四個更為常見的四個樣本數

-TP: 將正樣本預測為正樣本的樣本數
-FP: 將負樣本預測為正樣本的樣本數
-TN: 將負樣本預測為負樣本的樣本數
-TN: 將負樣本預測為負樣本的樣本數

Precision & Recall & Accuracy

Precision

精確率，在所有預測為正樣本的樣本(TP+FP)中預測正確(TP)的比例，也就是
Precision=TPTP+FP

Recall

召回率，在所有正樣本(TP+FN)中，預測正確(TP)的比例，也就是
Recall=TPTP+FN

Accuracy

準確率，正確分類的樣本佔所有樣本的比例，不適於資料極度不平衡的場景如廣告點選率一般在千分之幾，
Accuracy=TP+TNTP+TN+FP+FN

F1-measure

F1分數，是綜合考慮Precision和Recall得到的一個指標，一般在需要PR都要保證的場景使用，針對一個值的優化更加直觀容易衡量
F

ROC

TPR

真正類率，即正確分類的正樣本佔所有正樣本的比例
TPR=TPTP+FN

FPR

假正類率，即誤分類為正樣本佔所有負樣本的比率
FPR=FPFP+TN

ROC曲線就是當將預測結果分割為正負樣本的閾值變化時，以FPR作為x軸，以TPR作為y軸得到的曲線，因為TPR,FPR 都是正類和正類比較，負類和負類比較，所以不受資料不平衡問題的困擾，但是同時也會掩蓋這個問題，此曲線和x軸之間的區域面積即使下面要說的AUC的值

AUC

如同PR曲線和F1類似，一個單獨的數值有利於對模型的衡量，所以有了AUC，AUC的數值計算需要利用一個等價的結論，AUC等價於任意去正負樣本，正樣本得分高於負樣本得分的概率，基於這個結論可以得到下面的計算方法
【未完待續】