二分類模型指標

• 混淆矩陣

TP（實際為正預測為正），FP（實際為負但預測為正），TN（實際為負預測為負），FN（實際為正但預測為負）

• 準確率 Accuracy=TP+TNTP+FP+TN+FN$Accuracy=\frac{TP+TN}{TP+FP+TN+FN}$

• 查全率（召回率）和查準率 Recall(Sensitivity)=TPTP+TN$Recall(Sensitivity)=\frac{TP}{TP+TN}$ Precision=TPTP+FP$Precision=\frac{TP}{TP+FP}$ Specificity=TNFP+TN$Specificity=\frac{TN}{FP+TN}$

• F1度量—查準率和查全率的加權調和平均數

  F1Score=11/Recall+1/Precision=2×Recall×PrecisionRecall+Precision$F_{1}Score=\frac{1}{1/Recall+1/Precision}=\frac{2\times Recall\times Precision}{Recall+Precision}$

• G度量–幾何平均數 G=Precision×Recall−−−−−−−−−−−−−−−√$G=\sqrt{Precision\times Recall}$

• ROC曲線， AUC ROC曲線描繪的是不同的截斷點時，並以FPR(False Positive Rate)和TPR(True Positive Rate)為橫縱座標軸，描述隨著截斷點的變小，TPR隨著FPR的變化。 縱軸：

  TPR=TPTP+FN=Recall$TPR=\frac{TP}{TP+FN}=Recall$ 橫軸：FPR=FPFP+TN$FPR=\frac{FP}{FP+TN}$

• KS曲線，KS值 KS曲線和ROC曲線都用到了TPR，FPR。KS曲線是把TPR和FPR都作為縱座標，而樣本數作為橫座標。 TPR和FPR曲線分隔最開的位置就是最好的”截斷點“，最大間隔距離就是KS值，通常>0.2即可認為模型有比較好偶的預測準確性

• Lift 和Gain圖 Lift圖衡量的是，與不利用模型相比，模型的預測能力“變好”了多少，lift(提升指數)越大，模型的執行效果越好。 Gain圖是描述整體精準度的指標。 Gain=TPTP+FP$Ga$

  in=TPTP+FP List=TPTP+FPPP+N=GainPR$List=\frac{\frac{TP}{TP+FP}}{\frac{P}{P+N}}=\frac{Gain}{PR}$