R语言 | 常见模型评价指标(一) 分类模型指标

摘要：R语言分类模型评价指标介绍

菜鸟君为大家讲解了R语言中用于分类模型的常见评价指标，内容易于理解，无需担心复杂公式。

混淆矩阵

混淆矩阵是理解分类指标的基础，包括真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)四种情况，例如，通过一个模型预测患者是否有肺部结节。

分类模型的指标

• 准确率（Accuracy）：所有预测正确的样本所占的比例。
• 召回率（Recall/Sensitivity/TPR）：实际为正类的样本中，被正确预测为正的比例。
• 精确率（Precision）：预测为正的样本中，实际为正的比例。
• 特异度（Specificity/TNR）：实际为负类的样本中，被正确预测为负的比例。
• ROC曲线：描述敏感性和特异性的综合指标，通过不同阈值展示分类能力。
• AUC（Area Under Curve）：ROC曲线下的面积，用于衡量分类模型的性能。

R语言代码

最后，提供了R语言代码供读者应用这些指标来衡量分类模型的效果。

想要了解更多内容？

查看原文：R语言 | 常见模型评价指标(一) 分类模型指标

文章来源：

扫码关注公众号