推荐系统中评估指标的精准率，准确率，召回率，P-R曲线，ROC曲线，AUC曲线

本文链接：https://blog.youkuaiyun.com/data_curd/article/details/113876069

本文详细介绍了准确率、精准率和召回率等分类模型评估指标，强调了P-R曲线和ROC曲线在评估中的作用。P-R曲线展示了模型在不同阈值下的精准率和召回率，而ROC曲线通过真阳性率和假阳性率展示了二分类器的性能，AUC值则量化了ROC曲线下的面积，反映模型区分正负样本的能力。ROC曲线在正负样本分布变化时保持稳定，适合跨测试集评估，而P-R曲线更能体现特定数据集上的模型表现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

准确率：指分类正确的总样本个数的比例
精准率：指分类正确的正样本个数占分类器判定为正样本的样本个数的比例
召回率：分类正确的正样本个数占真正的正样本个数的比例
为了综合评估一个排序模型的好坏，不仅要看模型在不同TopN下的精准率和召回率，而且最好的绘制出模型的P-R曲线。
P-R曲线的横轴为召回率，纵轴为精准率。
在用P-R曲线评估模型时，只用某个点对应的精准率和召回率时不能全面的衡量模型的性能，只有通过P-R曲线的整体表现，才能够对模型进行更为全面的评估
均方根误差：
在这里插入图片描述
一般情况下，RMES能够很好的反映回归模型预测值于真实值的偏离程度，但是在实际问题中，如果存在个别偏离程度非常大的离群点时，即使离群点数量非常少，也会让RMES指标表得很差。针对这个问题解决方案：
1、认定这些离群点是“噪声点”的话，就需要在数据预处理的阶段把这些噪声点过滤点
2、如果不认为这些离群点是噪声点，那就进一步需要提高模型的预测能力，这些离群点产生的机制建模进去。
3、找个更好的指标来评估模型，而平均绝对百分比误差(MAPE)它相当于把每个点的误差进行了归一化，降低个别离群点带来的绝对误差的影响
在这里插入图片描述
ROC曲线：作为评估二分类器最重要的指标之一。
ROC曲线的横坐标为假阳性率(FPR)和纵坐标为真阳性率(