# 二分类（多分类）问题的评价 ## 二分类问题的评价 ### 情况 - 真正类（TP）：实正判正 - 真负类（TN）：实负判负 - 假正类（FP）：实负判正 - 假负类（FN）：实正判负 ### 评价指标 - 准确率：$accuracy=\displaystyle\frac{TP+TN}{TP+TN+FP+FN}$ - 精确率（表达**实正**受**假正**的影响）：$precision=\frac{TP}{TP+FP}$ - 召回率（表达**实正**受**假负**的影响）：$recall=\frac{TP}{TP+FN}$ - 精确率和召回率调和平均得到$F_1=\displaystyle\frac{2\times precision\times recall}{precision+recall}$ - 一般地，$F_\alpha=(1+{\alpha}^2)\cdot\displaystyle\frac{precision\times recall}{({\alpha}^2\times precision)+recall}$ - ROC曲线：多次检验后真正率（y）和假正率（x）的二维分布，ROC越凸起，说明效果越好 > 调和平均：$H={\frac {n}{{\frac {1}{x_{1}}}+{\frac {1}{x_{2}}}+\dots+{\frac {1}{x_{n}}}}}$，特别地，只有两数时，$H={\frac {2}{{\frac {1}{x_{1}}}+{\frac {1}{x_{2}}}}}={\frac {2x_{1}x_{2}}{x_{1}+x_{2}}}$ ### 评价方法 - 训练集和测试集按比例分配且不重叠，如7:3 - K折（K-fold）交叉验证：在划分好训练集和测试集后，再随机等分训练集内的所有样本为K份，每次拿出一份作为验证集，另外K-1份作为训练集，取K次的验证集泛化得分的平均值，作为最终的模型评价分数。