当前位置：首页 > news >正文

机器学习常用评估Metric（ACC、AUC、ROC）

news 文章来源：https://blog.csdn.net/m0_62993379/article/details/144655010 2025/5/7 4:18:44

一、混淆矩阵

基于样本预测值和真实值是否相符，可得到4种结果：

TP(True Positive)：样本预测值与真实值相符且均为正，即真阳性
FP(False Positive)：样本预测值为正而真实值为负，即假阳性
FN(False Negative)：样本预测值为负而真实值为正，即假阴性
TN(True Negative)：样本预测值与真实值相符且均为负，即真阴性

总结：第一个字母代表预测值与真实值是否相符（True/False）

第二个字母代表预测值是正还是负（Positive/Negative）

二、Metric

0. TPR（Recall）、FPR

TPR：真阳性率，也称为灵敏度（Sensitivity）或召回率（Recall），表示的是在所有真实为正的样本中，被正确预测为正的比例。其计算公式为：

FPR：假阳性率，表示在所有真实为负的样本中，被错误预测为正的比例。其计算公式为：

1. ACC（准确率）

ACC即为预测正确（预测值与真实值相符）的概率。

2. Precision（精确率）

精确度：以预测结果为判断依据，预测为正例的样本中预测正确的比例。

精确度还有一个名字，叫做“查准率”，我们关心的主要部分是正例，所以查准率就是相对正例的预测结果而言，正例预测的准确度。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度。

3. F1 值

F1值就是中和了精确率Precision和召回率Recall的指标：

4. ROC

ROC 曲线，用于评价二分类模型性能。它通过显示真阳性率TPR与假阳性率FPR之间的权衡来帮助我们理解模型的分类能力。

绘制 ROC 曲线的步骤：

选择阈值：从 0 到 1 的不同阈值。
计算 TPR 和 FPR：对于每个阈值，计算相应的 TPR 和 FPR。
绘制曲线：以 FPR 为横轴，TPR 为纵轴，绘制 ROC 曲线。

5. AUC

AUC，即曲线下面积（Area Under Curve），是ROC曲线下面积的一个数值表示。它提供了一个定量的指标，用来衡量分类模型的整体表现。AUC 值范围从 0 到 1，值越大表示模型性能越好。

三、参考

一文彻底理解机器学习 ROC-AUC 指标-CSDN博客