24、机器学习中的关键指标与应用

机器学习中的关键指标与应用

在机器学习领域，尤其是在医学研究的预测场景中，有几个关键的指标对于评估模型性能至关重要，同时强化学习也为解决一些复杂问题提供了新的思路。

关键指标解析

• 假阳性率（FPR）和假阴性率（FNR）
  • FPR的计算公式为：$FPR = \frac{FP}{TN + FP}$，其中FP表示假阳性，TN表示真阴性。
  • FNR的计算公式为：$FNR = \frac{FN}{TP + FN}$，其中FN表示假阴性，TP表示真阳性。
• 灵敏度（Sensitivity）
  • 灵敏度是衡量实际阳性病例中被正确预测为阳性的比例，也称为召回率。它与假阴性率之和始终为1。
  • 例如，在疾病预测模型中，灵敏度高意味着能更准确地识别出患病的人，减少假阴性的情况。理想情况下，模型应尽量降低假阴性，因为这可能会危及生命。
• 特异度（Specificity）
  • 特异度是指实际阴性病例中被正确预测为阴性的比例。它与假阳性率之和始终为1。
  • 在疾病预测中，特异度高表示能准确识别出未患病的人，降低假阳性的情况。

灵敏度和特异度的应用

灵敏度和特异度可用于绘制曲线下面积 - 受试者工作特征（AUC - ROC）曲线。AUC - ROC曲线是一种图形