對機器學習的評估度量是機器學習核心部分，本文總結分類問題常用的請估指標。

分類問題評估指標

在這里，將討論可用于評估分類問題預測的各種性能指標。

1. Confusion Matrix

這是衡量分類問題性能的最簡單方法，其中輸出可以是兩種或更多類型的類。混淆矩陣只不過是一個具有兩個維度的表，即“實際”和“預測”，此外，這兩個維度都有“真陽性（TP）”、“真陰性（TN）”、“假陽性（FP）”和“假陰性（FN）”，如下所示：

與混淆矩陣相關的術語解釋如下：

• 真陽（TP）? 當數據點的實際類別和預測類別均為1
• 真實陰（TN）? 當數據點的實際類和預測類都為0
• 假陽（FP）? 當數據點的實際類別為0，預測的數據點類別為1
• 假陰（FN）? 當數據點的實際類別為1，預測的數據點類別為0

我們可以使用sklearn的混淆矩陣函數confusion_matrix，用于計算分類模型混淆矩陣的度量。

2. Accuracy

它是分類算法最常見的性能度量。它可以被定義為正確預測的數量與所有預測的比率。我們可以通過混淆矩陣，借助以下公式輕松計算：

我們可以使用sklearn的accuracy_score函數，計算分類模型準確性的指標

3. Precision

precision定義為ML模型預測結果中：預測正確的正樣本數除以所有的預測正樣本數：

4. Recall

recall定義為ML模型預測結果中：預測正確的正樣本數除以所有的實際正樣本數：

5. Specificity

specificity定義為ML模型預測結果中：預測正確的負樣本數除以所有的實際負樣本數：

6. Support

支持度可定義為每類目標值中相應的樣本數。

7. F1 Score

該分數將為我們提供precision和recall的調和平均值。從數學上講，F1分數是precision和recall的加權平均值。F1的最佳值為1，最差值為0。我們可以使用以下公式計算F1分數：

F1分數對precision和recall的相對貢獻相等。

我們可以使用sklearn的classification_report功能，用于獲取分類模型的分類報告的度量。

8. AUC (Area Under ROC curve)

AUC（曲線下面積）-ROC（接收器工作特性）是基于不同閾值的分類問題性能指標。顧名思義，ROC是一條概率曲線，AUC衡量可分離性。簡單地說，AUC-ROC度量將告訴我們模型區分類的能力，AUC越高，模型越好。

從數學上講，可以通過繪制不同閾值下的TPR（真陽性率），即specificity或recall與FPR（假陽性率），下圖顯示了ROC、AUC，y軸為TPR，x軸為FPR：

我們可以使用sklearn的roc_auc_score函數，計算AUC-ROC的指標。

9. LOGLOSS (Logarithmic Loss)

它也稱為邏輯回歸損失或交叉熵損失。它基本上定義在概率估計上，并測量分類模型的性能，其中輸入是介于0和1之間的概率值。

通過精確區分，可以更清楚地理解它。正如我們所知，準確度是我們模型中預測的計數（預測值=實際值），而對數損失是我們預測的不確定性量，基于它與實際標簽的差異。借助對數損失值，我們可以更準確地了解模型的性能。我們可以使用sklearn的log_loss函數。

例子

下面是Python中的一個簡單方法，它將讓我們了解如何在二進制分類模型上使用上述性能指標。

from sklearn.metrics import confusion_matrix
from sklearn.metrics import accuracy_score
from sklearn.metrics import classification_report
from sklearn.metrics import roc_auc_score
from sklearn.metrics import log_loss

X_actual = [1, 1, 0, 1, 0, 0, 1, 0, 0, 0]
Y_predic = [1, 0, 1, 1, 1, 0, 1, 1, 0, 0]
results = confusion_matrix(X_actual, Y_predic)
print ('Confusion Matrix :')
print(results)
print ('Accuracy Score is',accuracy_score(X_actual, Y_predic))
print ('Classification Report : ')
print (classification_report(X_actual, Y_predic))
print('AUC-ROC:',roc_auc_score(X_actual, Y_predic))
print('LOGLOSS Value is',log_loss(X_actual, Y_predic))

輸出：

Confusion Matrix :
[
   [3 3]
   [1 3]
]
Accuracy Score is 0.6
Classification Report :
            precision      recall      f1-score       support
      0       0.75          0.50      0.60           6
      1       0.50          0.75      0.60           4
micro avg     0.60          0.60      0.60           10
macro avg     0.62          0.62      0.60           10
weighted avg  0.65          0.60      0.60           10
AUC-ROC:  0.625
LOGLOSS Value is 13.815750437193334