机器学习分类问题：九个常用的评估指标总结

对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的评估指标。

对机器学习的评估度量是机器学习核心部分，本文总结分类问题常用的请估指标。

分类问题评估指标

在这里，将讨论可用于评估分类问题预测的各种性能指标。

1. Confusion Matrix

这是衡量分类问题性能的最简单方法，其中输出可以是两种或更多类型的类。混淆矩阵只不过是一个具有两个维度的表，即“实际”和“预测”，此外，这两个维度都有“真阳性（TP）”、“真阴性（TN）”、“假阳性（FP）”和“假阴性（FN）”，如下所示：

与混淆矩阵相关的术语解释如下：

• 真阳（TP）− 当数据点的实际类别和预测类别均为1
• 真实阴（TN）− 当数据点的实际类和预测类都为0
• 假阳（FP）− 当数据点的实际类别为0，预测的数据点类别为1
• 假阴（FN）− 当数据点的实际类别为1，预测的数据点类别为0

我们可以使用sklearn的混淆矩阵函数confusion_matrix，用于计算分类模型混淆矩阵的度量。

2. Accuracy

它是分类算法最常见的性能度量。它可以被定义为正确预测的数量与所有预测的比率。我们可以通过混淆矩阵，借助以下公式轻松计算：

我们可以使用sklearn的accuracy_score函数，计算分类模型准确性的指标

3. Precision

precision定义为ML模型预测结果中：预测正确的正样本数除以所有的预测正样本数：

4. Recall

recall定义为ML模型预测结果中：预测正确的正样本数除以所有的实际正样本数：

5. Specificity

specificity定义为ML模型预测结果中：预测正确的负样本数除以所有的实际负样本数：

6. Support

支持度可定义为每类目标值中相应的样本数。

7. F1 Score

该分数将为我们提供precision和recall的调和平均值。从数学上讲，F1分数是precision和recall的加权平均值。F1的最佳值为1，最差值为0。我们可以使用以下公式计算F1分数：

F1分数对precision和recall的相对贡献相等。

我们可以使用sklearn的classification_report功能，用于获取分类模型的分类报告的度量。

8. AUC (Area Under ROC curve)

AUC（曲线下面积）-ROC（接收器工作特性）是基于不同阈值的分类问题性能指标。顾名思义，ROC是一条概率曲线，AUC衡量可分离性。简单地说，AUC-ROC度量将告诉我们模型区分类的能力，AUC越高，模型越好。

从数学上讲，可以通过绘制不同阈值下的TPR（真阳性率），即specificity或recall与FPR（假阳性率），下图显示了ROC、AUC，y轴为TPR，x轴为FPR：

我们可以使用sklearn的roc_auc_score函数，计算AUC-ROC的指标。

9. LOGLOSS (Logarithmic Loss)

它也称为逻辑回归损失或交叉熵损失。它基本上定义在概率估计上，并测量分类模型的性能，其中输入是介于0和1之间的概率值。

通过精确区分，可以更清楚地理解它。正如我们所知，准确度是我们模型中预测的计数（预测值=实际值），而对数损失是我们预测的不确定性量，基于它与实际标签的差异。借助对数损失值，我们可以更准确地了解模型的性能。我们可以使用sklearn的log_loss函数。

例子

下面是Python中的一个简单方法，它将让我们了解如何在二进制分类模型上使用上述性能指标。

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))

输出：

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