混淆矩阵（Confusion Matrix） 混淆矩阵 预测 类1 类2 类3 实际 类1 类2 类3 每一行之和为该类别真实样本数量，每一列之和为预测为该类的样本数量，对角线上为预测正确。 TP TN FP FN TP(True Positive)： 结果为正例，预测为正例 TN(True Negative)： 结果为负例，预测为
AUC-ROC https://blog.csdn.net/u013385925/article/details/80385873 F1分数和Kappa系数 https://blog.sciencenet.cn/blog-3428464-1309052.html 注：后续会详细整理，使得更加通俗易懂，便于大家理解！
公司存款流失预测（2022年招行数据赛道） 这个四月参加了招行的数据赛道比赛，感觉氛围不错学到了很多知识。最后在1800+人中拿到了A榜43名，B榜310名的成绩。虽然最终无缘面试，但还是值得复盘分析。 赛题简介 本次比赛为参赛选手提供了两个数据集，即训练数据集（train）和测试数据集（test_A榜/ t
https://blog.csdn.net/weixin_43469047/article/details/114705787?utm_medium=distribute.pc_relevant.none-task-blog-2defaultbaidujs_baidulandingword~default-0-114705787-blog-115733060.pc_relevant_multi_platform_whitelistv3&spm=1001.2101.3001.4242.1&u
目录评价指标1. TP、FP、TN、FN2. 常用指标3. ROC4. AUC 评价指标 1. TP、FP、TN、FN P (Positive) 和 N(Negative) 代表模型的判断结果 T (True) 和 F(False) 评价模型的判断结果是否正确 FP: 假正例，模型的判断是正例 (P) ,实际上这是错误的(F),连起来就是假正例 FN:假负
6-1构建模型的3种方法 可以使用以下3种方式构建模型： 使用Sequential按层顺序构建模型; 使用函数式API构建任意结构模型; 继承Model基类构建自定义模型。 对于顺序结构的模型，优先使用Sequential方法构建。 如果模型有多输入或者多输出，或者模型需要共享权重，或者模型具有残差连接等
AUC是否能作为召回评估指标 首先，AUC是代表模型的排序能力，因为在召回环节考虑所有推荐物品的顺序没有太大意义，所以不是一个好的评估指标。另外后面所有提到的AUC含义都是针对单个user的，即group by user AUC。 AUC和线上优化指标正相关？ 不相关。我们先从AUC的计算说起，计算auc需要知
一、评价分类结果 分类算法的评价：仅仅使用分类准确度可靠吗？ 问题：有一个癌症预测系统，输入体检信息，可以判断是否有癌症。预测准确度：99.9%，是好？是坏？ 假如癌症产生的概率只有0.1%，我们的系统预测所有人都是健康，即可达到99.9的准度率！ 因此对于极度偏斜（Skewed Data）的数据，只是用分类准确度
分类算法-逻辑回归与二分类 1、逻辑回归的应用场景 广告点击率 是否为垃圾邮件 是否患病 金融诈骗 虚假账号 看到上面的例子，我们可以发现其中的特点，那就是都属于两个类别之间的判断。逻辑回归就是解决二分类问题的利器 2、 逻辑回归的原理 2.1 输入 逻辑回归的输入就是一个线性
https://www.jianshu.com/p/564ca3994482 https://blog.csdn.net/qq_23664173/article/details/83010348 https://www.cnblogs.com/xuexuefirst/p/8858274.html 1.accuracy 2.precision 3.recall
上采样/下采样 下采样，对于一个不均衡的数据，让目标值(如0和1分类)中的样本数据量相同，且以数据量少的一方的样本数量为准。上采样就是以数据量多的一方的样本数量为标准，把样本数量较少的类的样本数量生成和样本数量多的一方相同，称为上采样。 下采样 获取数据时一般是从分类样本
本文主要汇总一些常用于机器学习的评估指标，针对每个指标由浅入深，从”一句话解释“、定义及公式、计算/绘制步骤等方面一一总结。这些指标本身可用于很多业务场景，但因为我从事风控行业，本文涉及的例子都是风控的案例，重点介绍这些指标如何评估风控模型的效果。 1. 混淆矩阵 一句话
Logistic回归：解决分类问题 基本方程 不同的回归都假定了样本的分布，得到的结果也会是这个回归模型 softmax回归–多分类问题 AUC面积作为预测好坏的判据 (曲线下面积最少是0.5，最大是1，小于0.5没意义)ROC曲线下面积为AUC 回归实践 取对数可以较好的过滤掉数据中的噪音 各个
文章目录 ROC曲线和AUC ROC曲线原理 ROC曲线计算过程 多分类ROC Macro Micro AUC原理 PR-AUC曲线 为什么使用ROC曲线 ROC-Curve和PR-Curve的应用场景 ROC曲线的Python代码 二分类ROC 多分类ROC 1.6 分类模型的评估方法 ROC曲线和AUC ROC曲线原理 ROC
ROC 和 AUC AUC是一种模型分类指标，且仅仅是二分类模型的评价指标。AUC是Area Under Curve的简称，那么Curve就是ROC（Receiver Operating Characteristic），翻译为"接受者操作特性曲线"。 ROC 曲线由两个变量TPR和FPR组成，这个组合以FPR对TPR，即是以代价(costs)对收益(benefits)。 x
1.背景 一般机器学习完成后会生成正确率等指标，ROC也是常用的指标 \(假设有一随机变量X,离散值,有n中取值，同时有两类分布对应X\) \(1.真实分布-从样本中,概率为p=(p_1,p_2,....,p_n)\) \(2.假设分布-学习得到,概率为q=(q_1,q_2,....,q_n)\) \(问题,若现在已知X=某个值,那么请问这个
模型预测效果评价，通常可以用以下指标来衡量 目录 1.绝对误差和相对误差 2.平均绝对误差、均方误差、均方根误差与平均绝对百分误差 3.Kappa统计 4.混淆矩阵 5.准确度（Accuracy）、精确率（Precision）和召回率（Recall） 6.ROC曲线与AUC 7.Python分类预测模型的特点 1.绝对误差和相对误差
目录一、XGBoost1.1 XGBoost原理及构建1.2 精确贪心分裂算法1.3 基于直方图的近似算法：1.4 XGBoost代码讲解1.4.1 XGBoost的参数1.4.2 XGBoost的调参说明：1.5 XGBoost案例二、LightGBM算法2.1 LightGBM算法的改进2.2 LightGBM参数2.3 LightGBM与网格搜索结合调参 一、XGBoost XGBoo
衡量一个机器学习算法的好坏需要一个标准来衡量，对于不同场景中的不同任务就需要决定不同的指标来度量。根据没有免费午餐这个归纳偏好，我们可以知道，没有一种模型是完美适用于任何场景。所以选取一个合适的性能指标和选取一个切合的机器学习算法均是很重要的事情。所以本文对此加以
目录一、XGBoost1.1 XGBoost原理及构建1.2 精确贪心分裂算法1.3 基于直方图的近似算法：1.4 XGBoost代码讲解1.4.1 XGBoost的参数1.4.2 XGBoost的调参说明：1.5 XGBoost案例二、LightGBM算法2.1 LightGBM算法的改进2.2 LightGBM参数2.3 LightGBM与网格搜索结合调参 一、XGBoost XGBoo
1.什么是ROC: ROC曲线：接收者操作特征曲线(receiver operating characteristic curve)，是反映敏感性和特异性连续变量的综合指标，roc曲线上每个点反映着对同一信号刺激的感受性。 2.如果学习ROC，首先必须知道什么： 要学习ROC曲线首先得知道什么是TPR，什么是FP
一、混淆矩阵 二、引入ROC曲线 如上第一幅图，蓝色高斯表示真实值为阴性，红色高斯表示真实值为阳性。A，B，C代表不同的阈值，阈值线左边表示预测值为阴性，阈值线右边表示预测值为阳性。阈值从A到C，由此绘制处第二幅图的曲线（粗线），也即ROC曲线。 ROC曲线中， 横坐标：假阳性率，FPR
P-R曲线是分别将查准率Precision作为纵坐标，查全率Recall（召回率）作为横坐标作的图。 ROC曲线、AUC面积、Gini系数、KS值 都是基于两个重要的指标真阳率TPR（又叫查全率或召回率）和假阳率FPR（误诊率）得来的。 其中AUC面积、Gini系数是进一步在ROC曲线基础上得到的。 ROC曲线 R
本篇博客的图源来自 zhwhong，转载仅作学习使用！ 在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的
因为自己总记不太清具体的意义，这里梳理一下: 这里的TP、FN、FP、TN，其实真正对应的都说的是预测 TP：真的正样本（预测），实际也是正样本 FN：假的负样本（预测），实际也是正样本 FP：假的正样本（预测），实际是负样本 TN：真的负样本（预测），实际是负样本 precision = TP/(TP+FP) recall = TP/(TP+FN) 1/F = (
