引言
在机器学习中，有几个评价指标，今天专门来介绍一下。之前的学习中主要是看模型，学算法，突然有一天发现，机器学习中的一些基本概念还是有点模糊，导致不知道如何综合评价模型的好坏。 这篇文章主要介绍如下几个知识点：
Accuracy(准确率)
Precision(精确率，差准率)
Recall(召回率， 查全率)
ROC曲线
AUC面积
介绍
- 正样本 ： 属于某一个类别（真值）的样本
- 负样本 ： 不属于某一个类别的样本
个人理解，正负样本是相对的，取决于机器学习算法开发者。
TP(True Positive) : 猜对了； 预测为正样本
TN(True Negative)： 猜对了； 预测为负样本
FP(False Positive)： 猜错了： 预测为正样本
FN(False Negative)： 猜错了： 预测为负样本
Accuracy(准确率)
我们想计算一下模型的准确率， 不就是拿 (我们模型猜对的数据个数) / (所有的的数据个数)
即 ：（TP + TN） / (ALL)
当然了， 我们希望， 模型的准确率越高越好，最好是猜的全对~
Precision(精确率， 查准率)
在某些场景下，我们希望模型是这样， 如果模型猜测某个样本为正样本， 它尽可能的就是正样本。
也就是说，这个评价指标里，我们不考虑模型把正样本猜成负样本的场景，但是只要模型说这个是正样本，大概率就是正样本。
计算公式： TP / (TP + FP)
举个例子： 宁可漏掉，也不能错杀。 在垃圾邮件的识别过程中，希望宁可漏掉，也不要把正常的邮件给拦截了。
考虑极端场景：
- 如果百万数据中，我模型就判断了一个正样本，并且猜对了， 这个指标就是 100% 了。
- 如果百万数据中，我模型全部判断为负样本， 这个指标就是 0/0 就没有值了。
Recall(召回率， 查全率)
然而，在某些场景下， 我们又希望模型是这样的，模型可以把尽可能多的正样本都猜出来。
计算公式： TP / (TP + FN)
举个例子： 宁可错杀，也不能漏掉， 如果漏掉一个正样本的判断，会产生灾难性影响的场景下， 这个指标就非常重要了。
考虑极端场景：
- 我模型全部判断样本为正样本， 这样的指标就是100%
- 我模型全部判断样本为负样本， 这样的指标就是0%
简单的思考下可以知道，如果我们只追求单个查准率 或 查全率，这是不合理的，没有实际的价值，因此，需要综合考虑多个因素。
参考文档：
https://zhuanlan.zhihu.com/p/152197756
PR曲线
PR曲线： recall 为横坐标， precision为纵坐标。
思考一下可以知道， PR曲线越往右上凸起，效果越好。
ROC曲线
要理解ROC曲线， 需要理解两个概念， 分别代表着X轴与Y轴
x 轴：FPR（False Postive Rate）
FPR = FP / (FP + TN) （猜错的正例） / (观测值里所有的反例)
y 轴：TPR (True Postive Rate)
TPR = TP / (TP + FN) (猜对的正例) / (观测值里所有正例)
- 横轴FPR:，FPR越大，预测正类中实际负类越多。
- 纵轴TPR：TPR越大，预测正类中实际正类越多。
理想目标：TPR=1，FPR=0,即图中(0,1)点，故ROC曲线越靠拢(0,1)点，越偏离45度对角线越好，Sensitivity、Specificity越大效果越好.
说一下个人对这个曲线的理解, 是干货哦，是自己一开始对这个曲线最大的疑惑，后来想通了
图中的曲线，似乎无线趋近于（1,1）这个点， 这个点表示什么意思呢？思考了一下，得到如下的结论：
x 轴的 1 表示： 如果一个模型越是把负类预测为正类。（如果所有的负类都被猜成正类了）
y 轴的 1 表示： 那么这个模型就越容易把正类也预测为正类。（所有的正类也很可能会被猜成为正类。）
那么，这个曲线是什么样的才是一个好的模型呢？
我们希望
一个模型越不容易把负类预测为正类的情况下，（x越小）
这个模型越容易把正类预测为正类 （y越大）
所以说，曲线越是往左凸出，模型越好。
这样解释的话，是不是就理解曲线的含义了呢？
那么问题来了，我们应该怎么得到ROC曲线一系列的坐标点的数据呢？有了坐标点，我们才可以画曲线。
答案如下：在模型的预测结果中，一般预测的结果是这个样本为正样本的概率，概率越大， 则越可能是正样本；因此可以设置一个阈值，大于这个阈值的，就是正样本。
但是， 阈值选取多大比较合适呢？ 我们可以选取各种不同的阈值，求出该阈值条件下的FPR和TPR的值，获得的坐标点就是ROC曲线中的点了。
ROC曲线与PR曲线的对比
主要参考：https://zhuanlan.zhihu.com/p/138181502
- ROC曲线：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变
- PR曲线 ： 对于只关心正例的场景，则由于PR曲线使用了Precision，因此PR曲线的两个指标都聚焦于正例。所以在此情况下PR曲线被广泛认为优于ROC曲线。
使用场景：
- ROC曲线由于兼顾正例与负例，所以适用于评估分类器的整体性能，相比而言PR曲线完全聚焦于正例。
- 衡量模型时，如果想剔除类别分布带来的影响， 则ROC比较合适。
- 如果在相同类别分布下， 想看正例的预测情况， 则PR比较合适。
- 类别不平衡问题中， ROC曲线通常会给出一个乐观的效果估计，考虑使用PR曲线。
- 在曲线上找到一个最优的点， 从而得到阈值 和 precision, recall等重要指标，并应用于实际场景。
AUC面积
定义： AUC面积指的是 ROC曲线下的面积。
我们如何从AUC来判断模型的优劣标准呢？
参考：https://blog.csdn.net/u013514928/article/details/106635778
AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
总结
这篇文章主要介绍了机器学习模型的评价指标以及相关评估曲线。 在机器学习中， 我们除了需要学习研究算法的原理， 也要知道如何来评估一个模型 ，以及如何选取阈值参数。 在选择评价指标的时候， 也需要根据具体的场景， 选择合适的评价指标，从而可以客观的评价模型孰优孰劣。