评估指标（Confusion Matrix、ROC、AUC）

文章结构概述

• • 1、确定模型评估指标选取标准

    • 2、混淆矩阵（Confusion Matrix）

    • • 2.1 模型综合表现：准确率
      • 2.2 关注少数类别：精确率（Precision）、召回率（Recall）以及F1-score
      • • 2.2.1 精准率(Precision)

    • 2.2.2 召回率(Recall)

    • 2.2.3 精确率-召回率曲线（Precision Recall Curve）

    • 2.2.4 F1-Score

    • 2.2.5 sklearn中实现的混淆矩阵

    • 3、ROC曲线与AUC值

1、选择合适的模型评估指标的依据

在完成模型训练之后，通常需要对模型的训练效果进行评估，以判断其性能表现，并依据评估结果进一步优化模型的参数、特征或算法，从而实现预期的目标。在回归任务中，用于衡量模型性能的指标较为明确，主要包括拟合优度R^2、均方误差MSE、均方根误差RMSE以及平均绝对误差MAE。

然而，在分类任务中，用于评估模型性能的指标则显得不够清晰。分类任务所涉及的评价标准种类繁多，其中大部分指标仅能反映模型某一方面的表现。若未能恰当使用这些评估指标，则不仅难以发现模型存在的问题，还可能导致错