二分类评价指标详解是什么？

关键要点

• 准确率在类别不平衡数据集中可能掩盖模型对少数类的识别问题。
• 真正例(TP)、假正例(FP)、真反例(TN)、假反例(FN)是混淆矩阵的四个基础概念。
• 精确率衡量模型预测正类的准确性，召回率衡量模型找出正类样本的全面性。
• F1值是精确率和召回率的调和平均数，用于综合衡量两者。
• 混淆矩阵是直观展示分类结果（包括多分类）的重要工具。
• Scikit-learn的metrics模块提供了计算准确率、精确率、召回率、F1值和混淆矩阵的函数。

怎么选 / 怎么做

二分类评价指标基于混淆矩阵计算。混淆矩阵的行代表真实类别，列代表预测类别。核心计算步骤如下：
1. 根据预测结果与真实标签，统计TP、FP、TN、FN的数量。
2. 计算精确率：Precision = TP / (TP + FP)。
3. 计算召回率：Recall = TP / (TP + FN)。
4. 计算F1值：F1 = 2 * (Precision * Recall) / (Precision + Recall)。
5. 可使用Scikit-learn的precision_score, recall_score, f1_score, confusion_matrix等函数直接计算。

常见问题

什么是精确率和召回率？

精确率衡量预测正类的准确性，召回率衡量找出正类样本的全面性。

为什么不能只看准确率？

在类别不平衡数据集中，高准确率可能掩盖模型对少数类的识别问题。

F1值是什么？

F1值是精确率和召回率的调和平均数，用于综合衡量两者。