八、机器学习基础知识：分类性能评价指标

文章目录

• 分类性能的核心概念
• 准确性：衡量模型预测正确性的指标
• 精确度：评估模型预测真实情况的参数
• 召回率：反映模型捕获真实样本的能力
• F分数：综合平衡精确度与召回率的关键指标
• ROC曲线：展示模型区分正反类别的能力曲线图示
• 多分类场景下的关键指标：评估模型在复杂分类任务中的表现数据集特征
• 混淆矩阵图：直观呈现模型预测结果与实际标签之间的对应关系图表结构

分类性能基本概念

与预测性能评价指标具有相似性的是分类性能评价指标，在其基础上也是通过建立模型计算得到的目标变量预测结果与其真实值之间的关系来进行评估判断的过程以此来衡量模型的分类能力优劣程度在二元分类任务中常用的性能评估指标包括准确率精确率召回率F1分数以及ROC曲线下面积这一度量标准而在多元分类场景中主要采用准确率精确率召回率以及F1分数来进行比较分析除此之外还可以借助混淆矩阵直观展示各类别之间的关系从而辅助分析模型的表现质量

为了更好地理解常见的分类性能评价指标首先要掌握几个核心概念在分类问题中通常将类别标签设为0和1两种情况其中标记值为0的对象被视为正类样本而标记值为1的对象则被视为负类样本按照这一划分标准正确的预测结果可分为以下四类

正确将实际属于正类的对象归类到正类中的情况即为真正例（True Positive简称TP）正确将实际属于负类的对象归类到负类中的情况