当前位置：首页>python>Python-7-分类模型评价

Python-7-分类模型评价

2026-10-11 08:25:11

Python-7-分类模型评价

通过机器学习训练的分类模型，可以用混淆矩阵和ROC曲线下的面积（AUC)评价其模型的性能指标如何。ROC是混淆矩阵的可视化展现。

分类模型，我们先定我们关心的一类为正例，另一类则为负例。例如，加入我们建立一个模型，用来预测彩票能够中奖。实际情况有两种，中奖（为正例）和没中奖（为负例），模型对对这次购买的彩票也是两种，中奖和不中奖。我们依据两组数据得到一个汇总表的列联表，这个表就是就是称为混淆矩阵。

	实际情况
模型预测		中奖-（P)	没中奖-（N)
中奖-	TP	FP	预测中奖
没中奖-0	FN	TN	预测没中奖
	实际中奖	实际没中奖

这四个单词比较绕，理清楚就很简单了。（学这个比较久）

T/F:模型预测正确与否，T为真（正确），F为假（错误）

P/N:实际的情况，N（阴性）为没中奖,P（阳性）为中奖。

TP-真阳性	实际中奖，预测中奖，
FP- 假阳性	实际没中奖，预测中奖
TN-真阴性	实际没中奖，预测没中奖，
FN-假阴性	实际中奖，预测没中奖，

这模型的准确率就是（TP+TN）/(TP+FP+FN+TN),即正确预测中奖和没中将数占所有样本呢的百分比。

以实际情况为根本，模型是作为辅助参考的，买彩票都希望中奖，我们希望知道实际的中奖情况中，有多少能够被模型预测出来，=TP/(TP+FN).正例被正确识别的比例，这个比例越高越好。也成为召回率。这个也为ROC曲线的纵向坐标。

实际负例里(没中奖)，被误判为正例（中奖）的比例，越低越好。这样模型不会带给人虚妄的希望。=FP/FP+TN.

全称为“Receiver Operating Characteristic”,受试者工作特征曲线。

Y轴为真正率=TPR=TP/(TP+FN), “中奖的被正确的识别”

X轴为假正率=FPR=FP/(FP+TN),“没中奖误判为中奖”

AUC, Area Under Curve=ROC曲线与X轴组成的面积。

对于y轴，来说当FN为0时，TPR=1,意味着中奖的被正确识别的比例达到百分百。

ROC的曲线越靠左上角，模型越好，同时AUC的数值也会越大。

1.当正例和负例的样本数量过大时，用准确率判断缺乏意义。比如用准确率预测彩票中奖，99%都是负例。判断不出模型的能力如何。

2.ROC/AUC不受样本不均匀的影响。所以样本不均匀时，看ROC不看准确率。

3.使用如下语句，可以快速出ROC的图，并计算AUC数值。

sklearn.metrics import roc_curve, roc_auc_socre

#分类模型，#机器学习，#Python

控制好饮食的摄入，就是保护我们的大脑。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

最新文章

随机文章