轻松上手Scikit-learn——评估模型性能（准确率、精确率、召回率、ROC和AUC）

轻松上手Scikit-learn——评估模型性能（准确率、精确率、召回率、ROC和AUC）

安装scikit——learn

pip install -U scikit-learn

常用模型性能评估指标

在开始介绍之前先规定几个表示：

• 模型预测正确的正样本，称为真正样本（True Positive），简写TP。
• 模型预测正确的负样本，称为真负样本（True Negative），简写TN。
• 模型预测错误的正样本，称为假正样本（False Positive），简写FP。
• 模型预测错误的负样本，称为假负样本（False Negative），简写FN。
• y表示样本的Ground Truth
• $\hat{y}$表示模型对于样本的预测从属。
• 真正率：$TPR=TP/(TP+FN)$
• 假正率：$FPR=FP/(FP+TN)$
• 真负率：$TNR=TN/(TN+FP)=1-FPR$

准确率

1. 常用准确率
   $$accuracy(y,\hat{y})=\frac{1}{n_{samples}}\sum _{i=0}^{n_{samples}-1}1(\widehat{y_i}==y_i)$$
   其中：
   $$1(\widehat{y_i}==y_{}$$