分类算法常用指标：准确率（Accuracy）；但当样本中的分类极度不均匀时，分类准确率并不能说明问题。（例如，100个观测样本中有95个0，5个1，全部预测为0的准确率有95%，已经很高了）

        解决样本分布不均匀的办法：

        • 重新抽样：过抽样/欠抽样

        • 使用提升算法，Adabost

        • 更改阈值

---

混淆矩阵

                                                            ；

准确率(Accuracy)：

灵敏度/召回率(Sensitivity/Recall)：

注：TPR体现分类模型对正样本的识别能力，TPR越高，表示模型对正样本的识别能力越强，即得到尽可能多的正样本。

特异度(Specificity)：

注：(假阳性率)

精确度(Precision)：

注：PPV越高，找到的正样本相对越多，得到尽可能纯的正样本；

       TPR与PPV是此消彼长的关系。

---

假设1是违约客户，0是不违约客户：

情况1 情况2

情况1：；；

情况2：；；

情况1中，TPR高，找到的违约客户多，坏账减少，但损失一部分好客户，带来一定的利润损失。属于稳健性策略，宁可损失一些客户，也要降低坏账。

情况2中，PPV高，坏账高，但损失的好客户少，利润损失少。属于激进型策略，宁可坏账高一些，也要留住客户。

---

统计量：，即是tpr与ppv的调和平均数。只有当时，最大。

统计量：，当时，最大。

注：、都是越大越好。常用的是与。

ROC曲线

x轴为FPR，y轴为TPR；

选择不同的阈值会产生不同的混淆矩阵，进而可算出对应的FPR、TPR。

ISO精度线

准确率acc、召回率tpr、假阳性率fpr三者关系：

A：所有样本个数；P：正例的个数；N：负例的个数；A=N+P；

pos=P/A：正例的占比；neg=N/A：负例的占比；

即：

这条斜线就是ISO精度线，截距随着acc改变，斜率不变为N/P，即负例比正例。

最优acc值：截距最大时，对应acc值最大。

                                                   

                                                

两式联合求解，可得到：

即：找到与ROC曲线相切的精度线，切点为最优阈值点，精度线与反斜线的交点为最优精度。

例如：

AUC面积

ROC曲线下的面积

• AUC=1：一个能完美区分所有正负样例的分类器

• AUC=0.5：随机分类

• AUC范围：[0,1]

KS曲线

预测为正例的比例：

以rpp（或阈值）为横坐标，tpr、fpr分别为纵坐标划线，得到的曲线为KS曲线。

KS值为max(tpr-fpr)