算法分类问题的评价标准有哪些？ROC和AUC分别指是什么，

[问答题]

算法分类问题的评价标准有哪些？ROC和AUC分别指是什么，其中图坐标(横坐标和纵坐标)的意义是？

李道一

准确率：左右样本被分类正确的比例。

召回率：真实为正类的样本中，被判断为正类的占比。

精准率：判断为正类的样本中，真实为正类的占比。

f1分数：2*召回率*精准率/（召回率+精准率）

假正率：负类中被分类为正类的占比。

真正率：正类中被分类为正类的占比。(就是召回率)

ROC、AUC等。

ROC是指横坐标为假正率、纵坐标为真正率的曲线。真正率越高的同时，假正率低，就说明这个ROC曲线越好，曲线越陡。无视样本不平衡，因为无论正负样本比例如何变化，ROC都不会变。为了评估ROC的好坏，可能需要尝试不同的阈值（概率大于多少被判定为正类）。

AUC（area under curve）是ROC曲线下的面积。

发表于 2020-04-09 13:25:18 回复(0)

LyuLin6324

分类问题的评分标准：准确率accuracy，召回率recall，ROC-AUC。

ROC是receiver operation characteristic curve，中文名为接受者操作特征曲线，X轴为伪阳性率（False Positive Ratio），Y轴为真阳性率（True Positive Ratio）。

AUC是area under curve的缩写，代表了ROC曲线下方的面积。若接收器获得一个阳性样本和一个阴性样本，AUC=分类器能够得到的阳性样本的分值大于阴性样本的概率。AUC是一种用来判断分类器效果的指标，若AUC=1，则表示是一个完美分类器，若AUC》0.5，那么分类器效果好于随机分类，若AUC=0.5，那么相当于随机分类，若AUC<0.5，则分类器效果不如随机分类。

发表于 2020-08-07 17:09:53 回复(0)