混淆矩阵
- Positive § - 正例
- Negative (N) - 负例
结果:
预测为正类别 预测为负类别
真实为正类别 True Positive (TP) False Negative (FN)
真实为负类别 False Positive (FP) True Negative (TN)
- TP - 预测 P, 实际 P, 模型预测正确
- FP - 预测 P, 实际 N, 模型预测错误
- FN - 预测 N, 实际 P, 模型预测错误
- TN - 预测 N, 实际 N, 模型预测正确
指标
- 准确率（Accuracy） - 判断模型正确分类的能力.
(TP + TN) / (TP + TN + FP + FN) - 精确率（Precision）- 判断模型识别出来的结果有多精确的指标.
TP / (TP + FP) - 召回率（Recall）- 查全率, 判断模型识别广度的指标.
TP / (TP + FN) - F1 值 - 综合反应 精确率 和 召回率, 越高越好
2 * Precision * recall / (precision + recall)
精确率说明找到的 P 有多少是对的.
召回率说明所有的 P 中找到了多少个.
总结:
-
准确率：理解成本最低，但不要滥用。在样本不均衡情况下，指标结果容易出现较大偏差；
-
精确率：用于关注筛选结果是不是正确的场景，宁可没有预测出来，也不能预测错了。 比如，在刷脸支付的场景下，我们宁可告诉用户检测不通过，也不能让另外一个人的人脸通过检测；
-
召回率：用于关注筛选结果是不是全面的场景，“宁可错杀一千，绝不放过一个”。 比如，在信贷场景下，我要控制逾期率，所以宁可把好用户拦在外面，不让他们贷款，也不能放进来一个可能逾期的用户。毕竟，用户一旦逾期，无法收回的本金产生的损失，比我多放过几个好用户带来的收益要多很多。
-
KS
-
AUC
基础指标:
- TPR（True Positive Rate）真正率 - 评估模型正确预测的能力.
TP / (TP + FN) - FPR（False Positive Rate）假正率 - 评估模型误判的比率或者误伤的比率.
FP / (FP + TN)
ROC 曲线
在没有准确阈值的情况下，对所有分数进行分段处理，计算每一个切分点对应的TPR和FPR，以FPR做横轴、TPR做纵轴绘制出的一条曲线。
ROC代表的是模型召回率和误伤率之间的变化关系
红线是随机线.
模型的ROC曲线越贴近这条随机线，模型的分类效果就越差。
当ROC曲线越偏离随机线并且靠近左上方(0,1)点的时候，说明模型分类效果越好.
AUC
AUC: 把曲线右下方和横坐标轴闭合起来的面积作为一个评估指标。
AUC 一般在 0.5 到 1 之间.
AUC = 0.5- 表示模型没有区分能力, 结果等于是随机猜测AUC < 0.5- 表示这个模型大概率很差AUC > 0.5 && AUC < 1- AUC 越高代表模型的区分能力越好
KS
KS 统计量是一种衡量累积分布函数（Cumulative Distribution Function，CDF）差异的指标。
KS代表的是在某一点上，模型召回率最大并且误伤率最小。
把召回率和误伤率都作为纵轴，把切分的分数点作为横轴。
一个切分点会同时得到TPR和FPR两个值，所以可以画出来两条曲线。
KS就是图中红色线和绿色线间隔最大时候的距离。
如果模型的KS或者AUC值很高，不一定是一件好事情。需要了解背后的原因，这有可能是数据不准确导致的。
