大家好，我是小轩
这几天在训练一个模型，模型结果中涉及到一些参数，不太理解什么意思，就差了一些资料
这篇文章就是整理一下关于机器学习评价指标
评价指标：精确率、召回率、F1、AUC、ROC、混淆矩阵
评价指标是衡量一个模型的好坏
Note：这篇文章是关于单标签单分类评价指标介绍
那么什么是单标签分类呢？
让一段话或者一张图片通过模型判断是否高兴，判断的结果从一个维度去分析。
图 1
上面这个图的右边，1是打的标签（假设大于0.5是高兴，小于0.5是不高兴），所以这句话本来就想表达高兴，通过模型分析出来也是高兴。
举个栗子，现在有十个打好标签的数据，A列是打的标签，1表示高兴，0表示不高兴，B列是通过模型分析的结果。
图 2
先来介绍一下混淆矩阵
图 3
TP：打的标签为正，结果被正确预测为正
FP：打的标签为负，结果被错误预测为正
FN：打的标签为正，结果被错误预测为负
TN：打的标签为负，结果被正确预测为负
对于第一次了解指标的人来说可能有点不好理解，可以这样理解
举个例子：TP（T代表true，P代表positive）
TP就是真正（正确预测为正），FP就是假正（错误预测为正），以此类推...
统计图1，TP=3，FP=1，FN=3，TN=3
下面来介绍指标公式
精确率/查准率(precision)
查准率为是所有预测为正样本中，预测正确的比例
说通俗一些就是预测为正当中，为真正的正的比例，哎呀好绕口呀
召回率/查全率(recall)
查全率为是所有真实标签为正的样本中，预测正确的比例
说白了就是在所有正样本中，准确预测出为正的比例
F1
粗略的理解就是precision和recall平均值
F 分数是一个综合指标，为查准率和查全率的加权调和平均。
什么调和平均？
我就上网查了一下，还有加权调和平均数，咱们这里只说调和平均
我们可以用语言描述调和平均数：数据集的倒数的算术平均数的倒数。
听起来当中包含很多倒数，但实际上不过是一些简单的步骤：
1. 对数据集中的所有数字取倒数
2. 找到这些倒数的算术平均数
3. 对上一步所得取倒数
ROC曲线（AUC）
上面精确率和召回率可能存在一些问题
比如：在我们测试集当中，大部分都为正样本，模型不具备辨识能力，无论正样本还是负样本，可能会把结果全部判断为正，这时候预测率和召回率会特别高
当样本不均衡情况下，会使用ROC指标
ROC (Receiver Operation Characteristic)
横轴为假正例率(False Positive Rate), 纵轴为真正例率(True, Positive Rate)
表示所有真实类别为正例的样本中, 被预测为正例的比率, 其中TP FN为固定值
表示所有真实类别为负例的样本中, 被预测为正例的比率, 其中FP TN为固定值
ROC曲线绘制过程
比如下图
会有一个区间范围的阈值，如上图（0.0-1.0）
每个阀值产生一个点，将这些点连接起来
如果有什么问题可进行留言
下次整理一下多标签分类评价指标的计算
