机器学习-分类评价指标.pdf
分类评价指标用于评估分类模型的性能,常用的分类评价指标包括以下几种: 准确率(Accuracy):准确率是分类正确的样本数与总样本数之比。它适用于数据类别分布均衡的情况,但对于不平衡数据集来说可能会给出误导性的结果。 精确率(Precision):精确率是分类器预测为正例且实际为正例的样本数与分类器预测为正例的样本数之比。它衡量了分类器在预测为正例时的准确程度。 召回率(Recall):召回率是分类器预测为正例且实际为正例的样本数与实际为正例的样本数之比。它衡量了分类器对正例样本的检测能力。 F1值(F1 score):F1值是精确率和召回率的调和平均值,能综合衡量分类器的准确性和召回能力。F1值越高说明分类器的性能越好。 ROC曲线与AUC(Receiver Operating Characteristic curve and Area Under the Curve):ROC曲线是以假正例率(False Positive Rate)为横轴、真正例率(True Positive Rate)为纵轴所绘制的曲线。ROC曲线可以直观地展示分类器在不同阈值下的性能。