本文详细解读了ROC曲线下面积(AUC)、混淆矩阵、MSE、RMSE和MAE等评价指标，并提供了相关Python代码示例，包括accuracy_score、recall_score、roc_curve、auc和评估指标计算。
评价指标
一、ROC、AUC
1. ROC（receiver operating characteristic）
1.1 混淆矩阵
（1）真正类率 TPR(True Postive Rate) ，灵敏度，召回率
T P R = S e n s i t i v i t y = R e c a l l = T P P = T P T P + F N TPR=Sensitivity=Recall= \frac{TP } {P }=\frac{ TP}{TP + FN} TPR=Sensitivity=Recall=PTP=TP+FNTP
（2）假正类率 FPR (False Postive Rate)
F P R = F P N = F P F P + T N FPR= \frac{FP } { N } = \frac{FP} {FP + TN} FPR=NFP=FP+TNFP
（3）真负类率 TNR(True Negative Rate) ，特异度
T N R = S p e c i f i c i t y = T N N = T N F P + T N TNR=Specificity= \frac{TN } { N }= \frac{TN }{FP + TN} TNR=Specificity=NTN=
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
