分类模型常用评价指标——混淆矩阵和roc曲线

本文主要是介绍分类模型常用评价指标——混淆矩阵和roc曲线，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

混淆矩阵

定量精度

• 总体分类精度(Overall Accuracy)
  分类正确的样本数/总样本数
  OA=（e+f+g）/(a+b+c+d+e+f+g+h+i)
• Kappa系数
  P₀=OA
  P_e=∑(真实样本数×分类样本数)/样本总数²
  例如：P_e=[(a+b+c)×(a+d+g)+(b+e+h)×(d+e+f)+(g+h+i)×(c+f+i)] /(a+b+c+d+e+f+g+h+i)²
  Kappa=(P₀－P_e )/(1-P_e)
• 用户精度(User accuracy )
  从预测的角度出发，预测正确的样本占该类别总的预测样本数
  • 类别1_{user_accuracy}=a/(a+d+g)
  • 类别2_{user_accuracy}=e/(b+e+h)
  • 类别3_{user_accuracy}=i/(c+f+i)
• 生产者精度(Producer accuracy)
  用样本的角度出发，被正确预测的样本数占该类别的样本总数
  • 类别1_{Prod.accuracy}=a/(a+b+c)
  • 类别2_{Prod.accuracy}=e/(d+e+f)
  • 类别3_{Prod.accuracy}=i/(g+h+i)

ROC曲线

roc曲线主要用来评估二分类模型的精度

a:TP（真阳性）
c:FP（假阳性）
b:FN（假阳性）
d:TN（真阴性）

• 真检率(灵敏度，击中率)
  TPR=a/(a+b)
• 误检率(特异度，虚惊率)
  FPR=c/(c+d)

ROC曲线的坐标横轴是FPR，坐标纵轴是TPR，ROC曲线描述的不是FPR与TPR间的函数关系

ROC曲线描述的不是FPR与TPR间的函数关系，FPR与TPR间没有函数关系，FPR与TPR是阈值τ的函数，τ描述的是样本中被检测为阳性的比率，当τ=0时，所有样本被识别为阴性，此时FPR(特异度、虚惊率、误检率)为0(FPR越小越好)，但TPR(灵敏度、命中率、真检率)为0(TPR越大越好)，当τ=1时所有样本被识别为阳性，此时TPR=1,FPR=1。因此需要选择一个合适的τ值使得TPR越大越好，FPR越小越好。

曲线下面积(Area Under Curve,AUC)
AUC等于roc曲线与坐标横轴围城的面积，是roc曲线的积分，AUC数值越大越好

这篇关于分类模型常用评价指标——混淆矩阵和roc曲线的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---