回忆，回忆，常用评价指标:准确度，精密度，recall，f1-score ， ROC-AUC，P...如果算法倾向是“宁可错杀一千，也不放过一个” ， 可以设置一个合理的精度值，最高- 。
1、如何通过评分卡分数计算aucAUC是ROC 曲线下的面积 。(PR 曲线下的面积称为AP或AveragePrecision) 。这里我想拿ROC和PR 曲线 。ROC 曲线:横轴为FPR(阴性样本判断为阳性的比例)，纵轴为TPR( recall)(阳性样本中判断为阳性的样本)PR 曲线:横轴为召回率 。也就是说，正确预测为正而实际为正的比例的纵轴是精度、精密度和灵敏度 。
2、查准率(Precision在处理分类问题时，我们会遇到一种情况:假设一个二元分类问题:假设我们的预测算法是:，忽略了特征值，在任何情况下预测都等于0 。毫无疑问，这是一个糟糕的算法，但是在测试集中，99%的样本输出，1%的样本输出，所以在计算预测算法的错误率时 ， 会得到1%的错误率，这是一个非常糟糕的情况 。一个完全错误的算法得到一个准确率很高的测试结果 。
为了处理这种情况，我们需要参考上面的精度和召回表 ， 这里提到了四个概念 。TP(真阳性)预测为真的样本数 。FP(假阳性)预测为真的样本数确实为假 。FN(假阴性)预测为假但实际为真的样本数 。TN(真阴性)预测为假的样本数 。举个例子说明对部分患者是否患癌的预测 。假设有100个样本 ， 真实情况是其中10个得了癌症 。通过预测功能，其中12人得了癌症，8人真的得了癌症 。
3、性能评价指标(Precision,Recall,F-score,MAP译自:CSDN博客原文1:精度、召回率、Fscore信息检索、分类、识别、翻译等领域，最基本的两个指标是召回率和准确率(PrecisionRate) 。注意，在统计学习方法中，先例称为准确率，准确率是正确分类的样本数除以样本总数 。)，召回率也叫召回率 ， 准确率也叫精确率 。概念公式:召回率是系统检索到的相关文件总数/系统所有相关文件；；；即预测的真阳性病例除以所有真阳性病例的样本数，系统检索到的相关文档的准确率/系统检索到的文档总数；；；也就是说，等于预测为真的正例除以所有预测为正例的样本数 。注意:(1)准确率和召回率是相互影响的 。理想情况下，两者必须都高，但一般来说，准确率高，召回率低，召回率低，准确率高 。当然 ， 如果两者都很低，那就是出问题了 。
4、常用的评价指标:accuracy、precision、 recall、f1-score、ROC-AUC、P...【recall曲线怎么分析,怎么分析TG和DTA曲线】如果算法倾向是“宁可错杀一千，不可放过一个”，我可以把recall的最高值设为最佳点，找到这个点对应的阈值 。总之，我们可以根据具体的应用或者偏好 ， 在曲线上找到最优点，调整模型的阈值 ， 从而得到符合具体应用的模型 。
推荐阅读
- java中文语句分析,中文语句结构分析
- 统计决策论及贝叶斯分析
- 序列分析非线性,hypermesh非线性分析
- 20 ftp-data协议分析,wireshark分析ftp协议
- php做数据分析平台,运营如何做平台数据分析
- 矩阵分析 线性代数,线性代数3×3矩阵算法
- 好吃简单的家常菜做法
- 阳光家常菜奥体中心
- 最简单的家常菜做法