機器學習常用性能度量指標

1. 機器學習常用性能度量指標https://blog.csdn.net/lrs1353281004/article/details/79411552

2. AUC
   a. AUC(Area under Curve)：Roc曲線下的面積，介於0.1和1之間。Auc作爲數值可以直觀的評價分類器的好壞，值越大越好。
   b. AUC的計算：
   1）梯形法（英語：trapezoid method）：簡單地將每個相鄰的點以直線連接，計算連線下方的總面積。因爲每一線段下方都是一個梯形，所以叫梯形法。
   2） 假設總共有（m+n）個樣本，其中正樣本m個，負樣本n個，總共有mn個樣本對，計數，正樣本預測爲正樣本的概率值大於負樣本預測爲正樣本的概率值記爲1，累加計數，然後除以（mn）就是AUC的值

3. roc曲線
   a. roc曲線：接收者操作特徵(receiveroperating characteristic), roc曲線上每個點反映着對同一信號刺激的感受性。
   橫軸：負正類率(false postive rate FPR)特異度，在所有實際爲陽性的樣本中，被正確地判斷爲陽性之比率。；FP/(FP+TN)
   縱軸：真正類率(true postive rate TPR)靈敏度，Sensitivity(正類覆蓋率)
   在所有實際爲陰性的樣本中，被錯誤地判斷爲陽性之比率; TP/(TP+FN)
   b. ROC曲線可用於在同一模型中設定最佳閾值。

4. 從AUC判斷分類器（預測模型）優劣的標準：
   a. AUC = 1，是完美分類器，採用這個預測模型時，存在至少一個閾值能得出完美預測。絕大多數預測的場合，不存在完美分類器。
   b. 0.5 < AUC < 1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
   c. AUC = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。
   d. AUC < 0.5，比隨機猜測還差；但只要總是反預測而行，就優於隨機猜測。
   https://blog.csdn.net/u013385925/article/details/80385873
   https://zh.wikipedia.org/wiki/ROC曲線