模型評(píng)估一直是數(shù)據(jù)建模中不可或缺的一環(huán)，評(píng)估指標(biāo)的好壞直接關(guān)系到模型上線運(yùn)用的情況。當(dāng)然，模型評(píng)估指標(biāo)只能作為參考依據(jù)，在真正的項(xiàng)目實(shí)施過程中，還是需要針對(duì)具體業(yè)務(wù)具體分析。

分類模型（貝葉斯、決策樹、SVM等）評(píng)估指標(biāo)：

回歸模型（線性回歸、非線性回歸等）評(píng)估指標(biāo)：

混淆矩陣

混淆矩陣就是預(yù)測(cè)的正例/反例與真實(shí)值之間的比例關(guān)系，該矩陣包括4個(gè)方面：

由此計(jì)算：

True Positive Rate真實(shí)的正例中，被預(yù)測(cè)正確的比例：TPR = TP/(TP+FN)

False Positive Rate真實(shí)的反例中，被預(yù)測(cè)正確的比例：FPR = FP/(FP+TN)

混淆矩陣、ROC曲線與AUC面積之間的關(guān)系：

ROC曲線（Receiver Operating Characteristic）主要用于評(píng)估二分類模型的優(yōu)劣，其繪圖時(shí)X軸和Y軸分別對(duì)應(yīng)混淆矩陣中FPR和TPR，其下方包圍的面積為AUC（Area Under the Curve）。