分类算法评价准则_分类算法的评价标准

1 分类算法评价准则

分类评价准则有Recall, Precision, ROC，AUC, Lift 曲线，KS曲线等。

1.1 基础指标

为了描绘的简单，在此给出一个实例：
Table 3.1 样例图

假设有一个样本总数为20的数据集，实际样例中，正例和负例的比例为1:1
为了简便说明，在这里，以2分类为例。

1.1.1 混淆矩阵

在2分类问题中，预测值跟实际值有4种组合情况：

说明：
TP: 实际为正，预测也为正
FN(伪阴性)：预测为负例，实际为正例
FP(伪阳性)：预测为正例，实际为反例
TN: 实际为反例，预测为反例

1.1.2 基本公式

• True Positive Rate (TPR真正率)： 正样本中被预测对比例，也称之为敏感度(Sensitivity)
  $$TPR=\frac{TP}{TP+FN}$$
• False Negative Rate(FNR假负率)：正样本被预测错的比例
  $$FNR=\frac{FN}{TP+FN}$$
• False Positive Rate(FPR假正率)：负样本被预测错的比例
• $$FPR=\frac{FP}{TN+FP}$$
• True Negative Rate(TNR真负率)：负样本被预测对的比例，也称之为特异度(Specificity)
  $$TNR=\frac{TN}{TN+FP}$$
• Positive predictive value(PPV)
  $$PPV=\frac{TP}{TP+FP}$$
• Negative predictive value (NPV)
  $$NPV=\frac{TN}{TN+FN}$$
• Accuracy（准确率）：就是精度
  $$Accuracy=\frac{}{TP+FP+TN+FN}$$