概述
最近在复习机器学习相关的知识，发现分类模型的评价指标--混淆矩阵，ROC，AUC的记忆比较复杂，主要是TP（实际为正预测为正），FP（实际为负但预测为正），TN（实际为负预测为负），FN（实际为正但预测为负），以及roc矩阵的坐标计算，纵轴：TPR=正例分对的概率 = TP/(TP+FN)，横轴：FPR=负例分错的概率 = FP/(FP+TN)，采取死记硬背的方式总是记不了几天，因此这两天加强了下对这几个指标的理解并采取图像记忆的方式进行记忆，顺便分析下auc和ks的关系。
混淆矩阵
首先来理解下混淆矩阵，当训练完一个二分类模型后，模型在测试集上的效果可以表示如下图一，我们可以发现混淆矩阵4个指标就是每个位置的面积大小：
图中正样本被分为1，2两部分，负样本被分为3，4两部分。模型的分类线向右倾斜。因此从面积上来看，我们可以看到1/（1+2）是要大于3/（3+4）。这说明比起负样本，模型更乐于讲正样本预测为正，这说明模型的效果好于随便猜，可以看出，斜率越小，模型分类效果越好。图二给出了对模型来说
最后
以上就是高大豆芽为你收集整理的ks 曲线_分类模型的评价指标的图像记忆及auc与ks的关系分析的全部内容，希望文章能够帮你解决ks 曲线_分类模型的评价指标的图像记忆及auc与ks的关系分析所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复