前言在机器学习算法中 ， 在模型训练出来之后 ， 总会去寻找衡量模型性能的指标 。 评价指标是针对将相同的数据 ， 使用不同的算法模型 ， 或者输入不同参数的同一种算法模型 ， 而给出这个算法或者参数好坏的定量指标 。 在模型评估过程中 ， 往往需要使用多种不同的指标协作评估一个模型的好坏 ， 因为众多的评价指标中 ， 大部分指标只能片面的反应模型的一部分特点 ， 那么对模型的评估就会比较片面 ， 在算法落地后也会出现很多问题 。 根据评估指标的反馈进行模型调整 ， 这些都是机器学习在模型评估阶段的关键问题 ， 也是一名合格的算法工程师应当具备的基本功[文献1] 。
本文参考文献1,2 ， 详细介绍机器学习分类任务的常用评价指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall）、P-R曲线（Precision-RecallCurve）、F1Score、混淆矩阵（ConfuseMatrix）、ROC、AUC 。
1准确率（Accuracy）准确率定义如下：
真正例(TruePositive,TP)：标注的数据为正样本 ， 被模型预测为正的正样本；假正例(FalsePositive,FP)：标注的数据为负样本 ， 被模型预测为正的负样本；假负例(FalseNegative,FN)：标注的数据为负样本 ， 被模型预测为负的正样本；真负例(TrueNegative,TN)：标注的数据为正样本 ， 被模型预测为负的负样本；准确率是分类问题中最简单也是最直观的评价指标 ， 但存在明显的缺陷 ， 就是在数据的类别不均衡 ， 特别是一种类别数据特别多另一种类别数据特别少的情况下 ， 准确率就不能客观评价算法的优劣了 。 举个例子：当负样本占99%时 ， 分类器把所有样本都预测为负样本 ， 那么对于这个模型来说可以获得99%的准确率 ， 所以在样本数据极度不均衡的时候 ， 选用这种方式去评价一个模型是不可取的 。
2精确率（Precision）精准率又叫查准率 ， 容易与准确率弄混 ， 请记住这个“精”字 ， 它是针对一个类别预测结果而言的 ， 含义是在所有被预测为正的样本中实际为正的样本的概率 ， 在预测为正样本的结果中 ， 有多少把握可以预测正确 ， 因为其他类别的数据也可能被预测成为该类别 。 以二分类（以下不特殊说明 ， 都以二分类为例介绍）来说其公式如下：
3召回率（Recall）召回率又叫查全率 ， 它是针对原样本而言的 ， 即在实际为正的样本中被预测为正样本的概率 ， 其公式如下：
推荐阅读
-
参考消息|前律师出书曝特朗普＂罪行＂ 声称目睹其＂不设防时刻＂
-
指数|10月3日美股三大指数全线收跌 纳指跌幅超2%
-
-
-
麻小花|王俊凯的“健身照”被疯传，没了10级美颜，这侧颜是真实的吗？
-
苹果|买华为手机有补贴，买苹果手机直接辞退！网络再爆硬核公司通知
-
-
青年|我的世界：超高清的材质包来了，你准备好电脑了吗？冒烟警告！
-
特朗普|特朗普死亡风险增高，机率高出90倍，CNN：做好最坏准备
-
「塔罗师央央」塔罗牌占卜：未来99天内你的感情走向如何？
-
「明星大小事」Cockpit，首次向凯迪拉克供应P-OLED显示Digital
-
-
-
科普在线|长大后智商一般都不低，孩子如果存在这五个“毛病”
-
-
-
-
-
-
特朗普：美国疫情全面崩盘，特朗普自称检测结果非常“阳性”，这回玩大了！
