离群点检测性能评价指标

1. F1

• Precision（精确率）：被预测为离群点的实例中，实际为离群点的比例。
  
• Recall（召回率）：实际为离群点的实例中，被正确预测为离群点的比例。
  
• F1综合了以上两者：F1分数同时考虑了模型的精确率和召回率，通过调和平均的方式将两者合并成一个单一的分数，以便在不同类别的样本不平衡时也能公平地评估模型性能。
  
  ps：其中第一个字母T（预测正确）/F（预测错误）
  第二个字母表示预测结果，P（离群点）/N（正常点）
  TP——本身为离群点预测（正确）为离群点
  FP——本身为正常点预测（错误）为离群点
  取值范围为[0,1]

---

2. ACC（Accuracy准确率）

ps：分子为预测正确的样本数
分母为总样本数
取值范围为[0,1]

---

3. 排名能力RP（Rank-Power）

n表示在前N个最可疑实例的检测到的真实异常点
Ri表示第i个离群点在检测结果中的排名位置

---

4.ROC曲线（Receiver Operating Characteristic）

• 定义：ROC曲线是一种描绘分类器性能的图形工具，它显示了在不同阈值下分类器的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）之间的关系。
• 意义：ROC曲线是一种用于表示分类模型性能的图形工具。在机器学习和统计分析中，它通过将真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）作为横纵坐标来评估分类模型的性能。（其中，FPR为横坐标，TPR为纵坐标。）
  
• 真阳性率 (True Positive Rate, TPR)通常也被称为敏感性（Sensitivity）或召回率（Recall）。它是指分类器正确识别正例的能力。真阳性率可以理解为所有阳性群体中被检测出来的比率(1-漏诊率)，因此TPR越接近1越好。它的计算公式如下：
  其中，TP（True Positive）表示正确识别的正例数量，FN（False Negative）表示错误地将正例识别为负例的数量。
• 假阳性率 (False Positive Rate, FPR)是指在所有实际为负例的样本中，模型错误地预测为正例的样本比例。假阳性率可以理解为所有阴性群体中被检测出来阳性的比率(误诊率)，因此FPR越接近0越好。它的计算公式如下：
  其中，FP（False Positive）表示错误地将负例识别为正例的数量，TN（True Negative）表示正确识别的负例数量。
• 理想情况：ROC 曲线越接近左上角，表示模型的性能越好。理想情况下，曲线会经过点 (0, 1)，表示 FPR 为 0，TPR 为 1，即模型能够完美地识别所有离群点和正常点。
• 随机猜测：如果 ROC 曲线接近对角线（即 FPR = TPR），表示模型的性能与随机猜测相当。

5.AUC（Area Under the Curve）

AUC（ROC曲线下面积）是ROC曲线下的面积，用于衡量分类器性能。AUC值越接近1，表示分类器性能越好；反之，AUC值越接近0，表示分类器性能越差。在实际应用中，我们常常通过计算AUC值来评估分类器的性能。

• ROC曲线和AUC对比：通过ROC曲线，我们可以直观地了解分类器在不同阈值下的性能；而通过AUC值，我们可以对分类器的整体性能进行量化评估。

---