分类算法评估指标

分类算法常见的评估指标如下：

1、混淆矩阵（Confuse Matrix）

• （1）若一个实例是正类，并且被预测为正类，即为真正类TP(True Positive )
• （2）若一个实例是正类，但是被预测为负类，即为假负类FN(False Negative )
• （3）若一个实例是负类，但是被预测为正类，即为假正类FP(False Positive )
• （4）若一个实例是负类，并且被预测为负类，即为真负类TN(True Negative )

2、准确率（Accuracy） 准确率是常用的一个评价指标，但是不适合样本不均衡的情况。

$$\mathrm{Accuracy=TP+TN\; / TP+TN+FP+FN}$$

3、精确率（Precision） 又称查准率，正确预测为正样本（TP）占预测为正样本(TP+FP)的百分比。

$$\mathrm{Precision=TP\; / TP+FP}$$

 

4、召回率（Recall） 又称为查全率，正确预测为正样本（TP）占正样本(TP+FN)的百分比。

$$\mathrm{Recall=TP\; / TP+FN}$$

 

5、F1 Score 精确率和召回率是相互影响的，精确率升高则召回率下降，召回率升高则精确率下降，如果需要兼顾二者，就需要精确率、召回率的结合F1 Score。

$$\mathrm{F1-Score=2\; /\; (1/Precision) +\; (1/ RecallF)}$$

 

6、P-R曲线（Precision-Recall Curve） P-R曲线是描述精确率和召回率变化的曲线

7、ROC（Receiver Operating Characteristic）

• ROC空间将假正例率（FPR）定义为 X 轴，真正例率（TPR）定义为 Y 轴。

TPR：在所有实际为正例的样本中，被正确地判断为正例之比率。$$\mathrm{TPR=TP / TP+FN}$$

$$\mathrm{FPR：在所有实际为负例的样本中，被错误地判断为正例之比率。FPR=FP\; / FP+TN}$$

 

$$\mathrm{8、AUC(Area\; Under\; Curve)\; 被定义为\; ROC曲线\; 下与坐标轴围成的面积，显然这个面积的数值不会大于1。}$$$$\mathrm{又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，}$$$$\mathrm{检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。}$$

 

 

对于金融风控预测类常见的评估指标如下:

1、KS(Kolmogorov-Smirnov) KS统计量由两位苏联数学家A.N. Kolmogorov和N.V. Smirnov提出。在风控中，KS常用于评估模型区分度。区分度越大，说明模型的风险排序能力（ranking ability）越强。 K-S曲线与ROC曲线类似，不同在于

• ROC曲线将真正例率和假正例率作为横纵轴
• K-S曲线将真正例率和假正例率都作为纵轴，横轴则由选定的阈值来充当。公式：$$\mathrm{KS=max(TPR-FPR)}$$
• $$\mathrm{KS不同代表着不同情况，}$$$$\mathrm{一般情况KS值越大，模型的区分能力越强，但是也不是越大模型效果就越好，如果KS过大，模型可能存在异常，所以当KS值过高可能需要检查模型是否过拟合。}$$
• $$\mathrm{以下为KS值对应的模型情况，但此对应不是唯一的，只代表大致趋势。}$$

 

KS（%）	好坏区分能力
20以下	不建议采用
20-40	较好
41-50	良好
51-60	很强
61-75	非常强
75以上	过于高，疑似存在问题

2、ROC

3、AUC