模型评估常见名词（一）

模型的特异性与敏感性，以及二分类模型的评价指标。

下图参考知乎某回答，链接如下，我在学习之后，经过自己总结，给出如下类比解释。

https://www.zhihu.com/question/30750849/answer/346299267https://www.zhihu.com/question/30750849/answer/346299267

模型的特异性与敏感性，这里与医学领域的查全率和查准率相联系，下面以患病给出对比。

下图成为混淆矩阵。

TP:真阳性，即被诊断患病的人中确实患病的人，即诊断患病判断正确的人数。

FP:假阴性，即被诊断为不患病的人中，却患病的人，患病而被漏诊的人。

TN:真阴性，确实不患病，诊断不患病正确的人。

FN:假阳性，即诊断为患病缺并没有患病，被误判为患病的人。

敏感性Sensitivity = TP / （TP + FN），第一行

特异性Specificity = TN / （FP + TN），第二行

敏感性：检测患病的比率越大，表明对该病的识别是否患病诊断比较敏感，称之为敏感性。

特异性：

泛化能力：机器学习模型预测误差情况通常是评估的重点，它不仅仅是学习过程中对训练数据有良好的学习预测能力，根本上在于要对新数据能有很好的预测能力

二分类问题：对于二分类问题，常用的评价指标，

F1-score：

precision：精确率P

recall:召回率R

average error:

本文参考了知乎上一下几篇出色的文章，建议读者阅读。

https://www.zhihu.com/question/30750849/answer/346299267https://www.zhihu.com/question/30750849/answer/346299267https://zhuanlan.zhihu.com/p/436810215https://zhuanlan.zhihu.com/p/436810215https://zhuanlan.zhihu.com/p/434368207https://zhuanlan.zhihu.com/p/434368207