模型评价指标

分类任务的预测结果

TP（True Positive）真正类

• 模型预测为正类，且实际也是正类。
• 例如：模型预测某个邮件是垃圾邮件，实际该邮件确实是垃圾邮件。

TN（True Negative）真负类

• 模型预测为负类，且实际也是负类。
• 例如：模型预测某个邮件不是垃圾邮件，实际该邮件确实不是垃圾邮件。

FP（False Positive）假正类

• 模型预测为正类，但实际是负类。
• 例如：模型预测某个邮件是垃圾邮件，但实际该邮件不是垃圾邮件。
• 也称为“Type I Error”或“假警报”。

FN（False Negative）假负类

• 模型预测为负类，但实际是正类。
• 例如：模型预测某个邮件不是垃圾邮件，但实际该邮件是垃圾邮件。
• 也称为“Type II Error”或“漏报”。

评价指标

准确率

准确率（Accuracy）是正确预测的样本数占总样本数的比例。

$$\text{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}$$

精确率

精确率（Precision）是正确预测的正样本数占预测为正样本数的比例。

$$\text{Precision}=\frac{TP}{TP+FP}$$

召回率

召回率（Recall）是正确预测的正样本数占实际正样本数的比例。

$$\text{Recall}=\frac{TP}{TP+FN}$$

F1分数

F1分数（F1 Score）是精确率和召回率的调和平均数，用于综合考虑模型的精确率和召回率。

$$\text{F1 Score}=2\times \frac{\text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$$

ROC-AUC

ROC 曲线是以假正类率（FPR）为横轴，真正类率（TPR）为纵轴绘制的曲线。AUC 是 ROC曲线下的面积。

ROC-AUC（Receiver Operating Characteristic - Area Under Curve）衡量模型在不同阈值下的分类性能，AUC值越大表示模型性能越好。