分类模型评价ROC\AUC\查准率\查全率\F-score\混淆矩阵\KS曲线\Lift\Gian等

混淆矩阵

二级指标：

• 准确率（Accuracy）:预测正确占所有样本的比例
  
• 精确率（Precision）:预测值为Positive的所有结果中，预测对的比重
  
• 召回率（Recall）\灵敏度\查全率:TPR：：真实值为Negitive的所有结果中，预测对的比重
  
• 特异度（Specifity）：TNR：：真实值为Negitive的所有结果中，预测对的比重
  

真正类率

假正类率

三级指标

• F1-score：
  
  其中：P = Precision，R = Recall

• G-mean:数据不平衡的时候，使用起来效果还挺好
  
  其中：S = Specifity，R = Recall

• K-S曲线：
  

ROC 和 K-S区别联系？

• ROC曲线：取值范围在0.5-1 ---- K-S曲线：大于0.2即可判定模型比较优秀
• ROC 曲线：横轴为FPR，纵轴为TPR----K-S曲线：横轴为阈值，纵轴为FPR\TPR
• ROC曲线：评价学习器性能，检验分类器对客户进行正确排序的能力----K-S曲线：学习器将正例、负例分开的能力，确定最好的截断点（即max（TPR-FPR））

PR曲线 Lift Gian待更新……………………