机器学习/深度学习——关于分类任务的机器学习、深度学习模型的评估指标详解

机器学习/深度学习——模型的评估详解

搭配以下文章进行学习：

卷积神经网络：
深度学习——卷积神经网络（convolutional neural network）CNN详解（一）——概述. 步骤清晰0基础可看

深度学习——卷积神经网络（convolutional neural network）CNN详解（二）——前向传播与反向传播过程（特征提取+预测+反向传播更新参数）. 步骤清晰0基础可看

简单的神经网络详解：
深度学习——神经网络（neural network）详解（一）. 带手算步骤，步骤清晰0基础可看

深度学习——神经网络（neural network）详解（二）. 带手算步骤，步骤清晰0基础可看

梯度下降法：
机器学习/深度学习——梯度下降法（Gradient descent）详解. 步骤清晰 0基础可看

模型的过拟合与欠拟合：
机器学习/深度学习——模型的欠拟合和过拟合，正则化方法详解

（1）混淆矩阵

我们需要先了解如下概念：

它是一个表格，用于描述分类模型的预测结果与实际标签之间的关系。混淆矩阵的基本元素包括：

True Positives (TP): 真正例，模型正确预测为正类的样本数量。
True Negatives (TN): 真负例，模型正确预测为负类的样本数量。
False Positives (FP): 假正例，模型错误预测为正类的样本数量（也称为第一类错误）。
False Negatives (FN): 假负例，模型错误预测为负类的样本数量（也称为第二类错误）。

如下图所示展示了4个指标以及TRP和FPR的概念

总结

评估指标列表

1.Accuracy (准确率)

• 来源：正确分类的样本占总样本的比例
• 作用：衡量模型整体的准确性
• 公式：$\text{Accuracy}=\frac{TP+TN}{TP+TN+FP+FN}$

2.Precision (精确度)