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。
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
最低0.47元/天 解锁文章
扫一扫
16万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
