對機器學(xué)習(xí)的評估度量是機器學(xué)習(xí)核心部分，本文總結(jié)分類問題常用的請估指標(biāo)。

分類問題評估指標(biāo)

在這里，將討論可用于評估分類問題預(yù)測的各種性能指標(biāo)。

1. Confusion Matrix

這是衡量分類問題性能的最簡單方法，其中輸出可以是兩種或更多類型的類。混淆矩陣只不過是一個具有兩個維度的表，即“實際”和“預(yù)測”，此外，這兩個維度都有“真陽性（TP）”、“真陰性（TN）”、“假陽性（FP）”和“假陰性（FN）”，如下所示：

與混淆矩陣相關(guān)的術(shù)語解釋如下：

• 真陽（TP）? 當(dāng)數(shù)據(jù)點的實際類別和預(yù)測類別均為1
• 真實陰（TN）? 當(dāng)數(shù)據(jù)點的實際類和預(yù)測類都為0
• 假陽（FP）? 當(dāng)數(shù)據(jù)點的實際類別為0，預(yù)測的數(shù)據(jù)點類別為1
• 假陰（FN）? 當(dāng)數(shù)據(jù)點的實際類別為1，預(yù)測的數(shù)據(jù)點類別為0

我們可以使用sklearn的混淆矩陣函數(shù)confusion_matrix，用于計算分類模型混淆矩陣的度量。

2. Accuracy

它是分類算法最常見的性能度量。它可以被定義為正確預(yù)測的數(shù)量與所有預(yù)測的比率。我們可以通過混淆矩陣，借助以下公式輕松計算：

我們可以使用sklearn的accuracy_score函數(shù)，計算分類模型準(zhǔn)確性的指標(biāo)

3. Precision

precision定義為ML模型預(yù)測結(jié)果中：預(yù)測正確的正樣本數(shù)除以所有的預(yù)測正樣本數(shù)：

4. Recall

recall定義為ML模型預(yù)測結(jié)果中：預(yù)測正確的正樣本數(shù)除以所有的實際正樣本數(shù)：

5. Specificity

specificity定義為ML模型預(yù)測結(jié)果中：預(yù)測正確的負(fù)樣本數(shù)除以所有的實際負(fù)樣本數(shù)：

6. Support

支持度可定義為每類目標(biāo)值中相應(yīng)的樣本數(shù)。

7. F1 Score

該分?jǐn)?shù)將為我們提供precision和recall的調(diào)和平均值。從數(shù)學(xué)上講，F(xiàn)1分?jǐn)?shù)是precision和recall的加權(quán)平均值。F1的最佳值為1，最差值為0。我們可以使用以下公式計算F1分?jǐn)?shù)：

F1分?jǐn)?shù)對precision和recall的相對貢獻(xiàn)相等。

我們可以使用sklearn的classification_report功能，用于獲取分類模型的分類報告的度量。

8. AUC (Area Under ROC curve)

AUC（曲線下面積）-ROC（接收器工作特性）是基于不同閾值的分類問題性能指標(biāo)。顧名思義，ROC是一條概率曲線，AUC衡量可分離性。簡單地說，AUC-ROC度量將告訴我們模型區(qū)分類的能力，AUC越高，模型越好。

從數(shù)學(xué)上講，可以通過繪制不同閾值下的TPR（真陽性率），即specificity或recall與FPR（假陽性率），下圖顯示了ROC、AUC，y軸為TPR，x軸為FPR：

我們可以使用sklearn的roc_auc_score函數(shù)，計算AUC-ROC的指標(biāo)。

9. LOGLOSS (Logarithmic Loss)

它也稱為邏輯回歸損失或交叉熵?fù)p失。它基本上定義在概率估計上，并測量分類模型的性能，其中輸入是介于0和1之間的概率值。

通過精確區(qū)分，可以更清楚地理解它。正如我們所知，準(zhǔn)確度是我們模型中預(yù)測的計數(shù)（預(yù)測值=實際值），而對數(shù)損失是我們預(yù)測的不確定性量，基于它與實際標(biāo)簽的差異。借助對數(shù)損失值，我們可以更準(zhǔn)確地了解模型的性能。我們可以使用sklearn的log_loss函數(shù)。

例子

下面是Python中的一個簡單方法，它將讓我們了解如何在二進(jìn)制分類模型上使用上述性能指標(biāo)。

from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.metrics import roc_auc_score
from sklearn.metrics import log_loss

X_actual = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0]
Y_predic = [1, 0, 1, 1, 1, 0, 1, 1, 0, 0]
results = confusion_matrix(X_actual, Y_predic)
print ('Confusion Matrix :')
print(results)
print ('Accuracy Score is',accuracy_score(X_actual, Y_predic))
print ('Classification Report : ')
print (classification_report(X_actual, Y_predic))
print('AUC-ROC:',roc_auc_score(X_actual, Y_predic))
print('LOGLOSS Value is',log_loss(X_actual, Y_predic))

輸出：

Confusion Matrix :
[
   [3 3]
   [1 3]
]
Accuracy Score is 0.6
Classification Report :
            precision      recall      f1-score       support
      0       0.75          0.50      0.60           6
      1       0.50          0.75      0.60           4
micro avg     0.60          0.60      0.60           10
macro avg     0.62          0.62      0.60           10
weighted avg  0.65          0.60      0.60           10
AUC-ROC:  0.625
LOGLOSS Value is 13.815750437193334