[AI Algorithm] 评判预测性能的四个指标

基本指标

评价模型的常用方法——精确率、召回率、F1 值、ROC、AUC 各自的优缺点是什么？
假如数据可以被分为好数据(1)和坏数据(0)，那么根据实际情况和评价结果的不同，总共能将结果分为四种情况：
True Positive(TP)：实际为好数据，判定结果为好数据
False Positive(FP)：实际为坏数据，判定结果为好数据
True Negative(TN)：实际为坏数据，判定结果为坏数据
False Negative(FN)：实际为好数据，判定结果为坏数据

注意，TP,FP,TN,FN的选定取决于0和1的情况，而不是数据本身的好坏。0和1的选定要看你自己想得到好数据还是坏数据。这里就认为好数据为1。

精确率(Precision)

在所有预测为好数据的结果中间，实际确实为好数据的占比（预测正确）。
$$Precision=\frac{TP}{TP+FP}$$

召回率(Recall)

在所有实际为好数据的数据中间，被预测为好数据的占比。
$$Recall=\frac{TP}{TP+FN}$$

准确率(Accuracy)

在所有数据中间，被预测正确的占比。
$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$

ROC曲线

首先需要介绍曲线的x轴和y轴：
X轴——True Positive Rate (TPR)
$$TPR=\frac{TP}{TP+FN}$$
Y轴——False Positive Rate(FPR)
$$FPR=\frac{FP}{FP+TN}$$
绘制曲线就是在坐标系中描上一系列(TPR,FPR)的点，然后连成一条曲线即可。