​建模知识3:lift图、Gini图

本文介绍了Lift图和Gains(增益)图在评估分类模型性能中的作用。Lift图通过比较模型预测正样本比例与实际正样本比例,展示了模型提升的效果,其提升指数越大,模型效果越好。Gains图则关注预测样本中的正样本比例,好的模型在阈值增大时,对应的正样本比例应有所增加。这两种图在营销和其他领域有广泛应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、先列出混淆矩阵

    一个二分问题,即将实例分成正类(positive)或负类(negative)。对一个二分问题来说,会出现四种情况。如果一个实例是正类并且也被 预测成正类,即为真正类(True positive),如果实例是负类被预测成正类,称之为假正类(False positive)。相应地,如果实例是负类被预测成负类,称之为真负类(True negative),正类被预测成负类则为假负类(false negative)。

以癌症的诊断为例,1代表癌症,0代表无病。

有以下指标:

1) TPR(True Postive Rate)真正类率:正类判断成正类,也称命中率,即所有真实的“1”中,有多少被成功选出;

2) TNR(True Negative Rate)真负类率:负类判断成负类。Specificity(特异性)

3) FPR(False Postive Rate)负正类率:负类判断成正类,即所有真实的“0”中,有多少被模型误判为1了。也称误诊率=1-Speci

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值