读芯术非常规解释：分类ML模型的十大模型性能指标( 三 )
本文插图
在转而讨论最后两个指标之前 ， 以下是维基百科提供的一个很好的摘要表 ， 其中涵盖了本文迄今为止讨论的所有指标 。
本文插图
到目前为止 ， 我们已经讨论了用于预测类标签分类模型的模型性能指标 。 现在来研究基于概率的模型的指标吧 。曲线下面积（AUC） ， 接收操作特性曲线（ROC） ， 这是用于衡量模型性能的最重要指标之一 ， 在数据科学领域非常流行 。
本文插图
图源：unsplash例如 ， 我们有一个分类模型 ， 该模型给出的概率值介于0到1之间 ， 以预测一个人肥胖的概率 。 接近0的概率值表示所考虑的人肥胖的概率非常低 ， 而接近1的概率值表明该人肥胖的概率很高 。现在 ， 默认情况下 ， 如果我们考虑阈值为0.5 ， 则所有概率≤0.5的人将被分类为“非肥胖” ， 而概率> 0.5的人将被分类为“肥胖” 。 但是 ， 我们可以更改此阈值 。 若将阈值设为0.3或0.9会怎样？ 为了简化理解 ， 我们抽取了10个人作为样本 。 要绘制ROC曲线 ， 我们必须在x轴上绘制特异性（即假阳性率） ， 在y轴上绘制灵敏度（即真阳性率） 。 ROC（接收操作特性）曲线告诉我们模型对两件事物的区分能力有多强 。 优质模型可以准确地区分两者 。 而不良模型将很难区分两者 。我们将看到4种不同的情况 ， 它们对阈值的选择不同 。 我们还将为ROC曲线计算相应的x和y轴值 。
本文插图
第一种情况：阈值=0.9
本文插图
第二种情况：阈值=0.6
本文插图
第三种情况：阈值=0.3
本文插图
第四种情况：阈值=0 现在 ， 我们有了4个数据点 ， 据此可以绘制如下图所示的ROC曲线 。
本文插图
因此 ， 这就是通过为分类模型分配不同的阈值创建不同的数据点用以生成ROC曲线 ， 并以此绘制ROC曲线的方法 。 ROC曲线下的面积称为AUC 。 AUC越大 ， 模型越好 。 ROC曲线离中线越远 ， 模型越好 。 由此 ， ROC-AUC帮助我们判断分类模型的性能 ， 并为我们提供从多种分类模型中选择一个模型的方法 。10. PR曲线如果数据大部分位于负标签上 ， 那么ROC-AUC的结果将无法过多地代表现实 ， 因为我们主要关注的是阳性率方法 ， 即y轴上的真阳性率和x轴上的假阳性率 。 例如下图所示：本示例中 ， 大多数数据都位于负标签下 ， 而ROC-AUC不会捕获该信息 。 在这种情况下 ， 我们转向PR曲线 ， 它是精度-召回率曲线 。 在PR曲线中 ， 我们将计算并在Y轴上绘制精度 ， 在X轴上绘制召回率 ， 以查看模型的效果 。以上就是分类机器学习模型的十大指标 ， 你get了嘛？
本文插图
【读芯术非常规解释：分类ML模型的十大模型性能指标】
本文插图
编译组：林柯秀、黄弈 相关链接： https://towardsdatascience.com/top-10-model-evaluation-metrics-for-classification-ml-models-a0a0f1d51b9推荐文章阅读
推荐阅读
- 深度解娱SJ|陈小纭怎么不会知道绿色含义，先暗示自己被绿又出面解释，看不懂
- 「」我国史上最大天灾，一声巨响2万人瞬间蒸发，今仍无法用科学解释
- 阿虎汽车|只恨知道的太晚了，为啥有人等红灯还一直踩刹车？听行家一解释
- 988防务观察|直指俄“超级武器”，俄罗斯这次咋解释，北欧核辐射源头疑被找到
- 988国际社会|美国竟恬不知耻要求中国做出解释，简直一派胡言！联合国大会上
- 又要改名了，解释称游客避讳不愿下墓葬
- |谭松韵把泥抹在张新成脸上时，字幕组打出7个字解释，做到完美救场
- 美女|原创被赞“四千年一遇的美女”，鞠婧祎首次回应，解释称是误传
- B550主板大涨价 A饭怒斥AMD变了 高玩解释为何这么贵
- AMD|B550主板大涨价 A饭怒斥AMD变了 高玩解释为何这么贵