机器学习分类模型10大指标详解

一、准确率(Accuracy)
准确率是最基础的分类模型性能指标，它表示分类器正确预测的样本数占总样本数的比例。计算公式如下：
准确率 = (TP + TN) / (TP + TN + FP + FN)
其中，TP表示真正例（True Positive），即被模型正确预测为正类的样本数；TN表示真负例（True Negative），即被模型正确预测为负类的样本数；FP表示假正例（False Positive），即被模型错误预测为正类的样本数；FN表示假负例（False Negative），即被模型错误预测为负类的样本数。
二、召回率(Recall)
召回率又称为查全率，它表示分类器正确预测的正类样本数占所有正类样本数的比例。计算公式如下：
召回率 = TP / (TP + FN)
召回率越高，说明分类器能够找出更多的正类样本，但同时也可能意味着分类器过于乐观地将更多样本预测为正类。
三、精确率(Precision)
精确率表示分类器预测为正类的样本中实际为正类的比例。计算公式如下：
精确率 = TP / (TP + FP)
精确率越高，说明分类器预测为正类的样本中实际为正类的比例越高，但同时也可能意味着分类器过于谨慎地将更多样本预测为正类。
四、F1分数(F1 Score)
F1分数是精确率和召回率的调和平均数，用于综合评估分类器的性能。计算公式如下：
F1分数 = 2 精确率 召回率 / (精确率 + 召回率)
F1分数越高，说明分类器的性能越好。在某些场景下，F1分数是一个非常重要的指标，因为它同时考虑了精确率和召回率两个方面。
五、ROC曲线(Receiver Operating Characteristic Curve)
ROC曲线是一种常见的分类模型性能评估方法，它通过绘制真正例率（TPR）和假正例率（FPR）之间的关系来评估分类器的性能。在ROC曲线中，TPR表示分类器正确预测的正类样本数占所有正类样本数的比例，而FPR表示分类器错误预测的正类样本数占所有负类样本数的比例。
六、AUC-ROC(Area Under the ROC Curve)
AUC-ROC是ROC曲线下的面积，用于量化评估分类器的性能。AUC-ROC越接近于1，说明分类器的性能越好；而AUC-ROC越接近于0.5，说明分类器的性能越差。
七、FPR(False Positive Rate)
FPR表示分类器错误预测的正类样本数占所有负类样本数的比例。计算公式如下：
FPR = FP / (TN + FP)
在某些场景下，降低FPR是非常重要的，例如在二分类问题中，我们通常希望将负类样本尽可能地排除在外。
八、FNR(False Negative Rate)
FNR表示分类器错误预测的负类样本数占所有负类样本数的比例。计算公式如下：
FNR = FN / (FN + TN)
在某些场景下，降低FNR也是非常重要的，例如在垃圾邮件检测中，我们通常希望将垃圾邮件尽可能地检测出来。
九、MCC(Matthews Correlation Coefficient)
MCC是一个综合考虑了精确率、召回率和平衡系数的指标，用于评估分类器的性能。MCC的取值范围在-1到1之间，MCC越接近于1，说明分类器的性能越好；而MCC越接近于0，说明分类器的性能越差。MCC可以用来处理不平衡的分类问题。