机器学习进阶文档深度页
分类指标：Accuracy、Precision、Recall、F1 与 AUC
指标分别衡量总体正确、误报、漏报、二者平衡及阈值无关的排序能力。
学习前需要掌握
背景与问题
类别不平衡时 99% Accuracy 仍可能完全漏掉少数类。ROC-AUC 看排序，PR-AUC 更关注少数正类区域。
概念定义
Accuracy 适合类别平衡且错误成本相近；Precision 关注预测正类可信度；Recall 关注找回多少正类；F1 为调和平均。
直观理解
先决定哪类错误更贵，再选择计分板，而不是让默认指标替业务做决定。
核心原理
多分类需区分 macro、weighted、micro；阈值指标与排序指标共同报告。
数学表达
核心表达
多分类需区分 macro、weighted、micro；阈值指标与排序指标共同报告。
变量含义
变量定义与本页概念定义一致，代码中的同名变量保持相同语义。
计算步骤
- 1明确正类和成本
- 2查看类别比例
- 3选择主指标
- 4交叉验证
代码对应位置
示例 1分类指标：Accuracy、Precision、Recall、F1 与 AUC 示例：对应文档中的可靠评价或训练流程。
计算与实现步骤
- 1
明确正类和成本
- 2
查看类别比例
- 3
选择主指标
- 4
交叉验证
- 5
调整阈值
- 6
报告每类和总体
代码实现
示例 1
分类指标：Accuracy、Precision、Recall、F1 与 AUC 示例
分类指标：Accuracy、Precision、Recall、F1 与 AUC 示例
scikit-learn
example_01.py用途：对应文档中的可靠评价或训练流程。
from sklearn.metrics import classification_report,roc_auc_score
print(classification_report(y_test,y_pred))
print(roc_auc_score(y_test,y_prob))代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
对应文档中的可靠评价或训练流程。
y_test- 与 X_test 对齐的测试目标。
y_pred- 模型对输入产生的预测结果。
Step 1 · 1–3 行
导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。
from sklearn.metrics import classification_report,roc_auc_score
print(classification_report(y_test,y_pred))
print(roc_auc_score(y_test,y_prob))预期输出或运行结果
逐类 Precision/Recall/F1 和 ROC-AUC。
常见错误 · 3 条
- 只看 Accuracy
- macro/weighted 混用
- AUC 当固定阈值表现
实际应用
- 不平衡分类
- 阈值决策
常见错误
只看 Accuracy
macro/weighted 混用
AUC 当固定阈值表现
文档来源
07｜模型评估与调参原始文档
学习资料/learning_tech/07_evaluation_tuning.md- §5 分类指标
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。