1. F1Precision精确率被预测为离群点的实例中实际为离群点的比例。Recall召回率实际为离群点的实例中被正确预测为离群点的比例。F1综合了以上两者F1分数同时考虑了模型的精确率和召回率通过调和平均的方式将两者合并成一个单一的分数以便在不同类别的样本不平衡时也能公平地评估模型性能。TPTrue Positive真正例真实是离群点且被检测为离群点FPFalse Positive假正例真实是正常点却被误判为离群点FNFalse Negative假负例真实是离群点但被误判为正常点。TNTrue Negative:真负例真实是正常点且被检测为正常点。ps其中第1个字母T预测正确/F预测错误第2个字母表示预测结果P离群点/N正常点取值范围为[0,1]2. ACCAccuracy准确率ps分子为预测正确的样本数分母为总样本数Accuracy准确率模型正确预测的样本数占总样本数的比例取值范围为[0,1]3. 排名能力RPRank-Powern表示在前N个最可疑实例的检测到的真实异常点Ri表示第i个离群点在检测结果中的排名位置4. ROC曲线Receiver Operating Characteristic定义ROC曲线是一种描绘分类器性能的图形工具它显示了在不同阈值下分类器的真阳性率True Positive RateTPR和假阳性率False Positive RateFPR之间的关系。意义ROC曲线是一种用于表示分类模型性能的图形工具。在机器学习和统计分析中它通过将真阳性率True Positive RateTPR和假阳性率False Positive RateFPR作为横纵坐标来评估分类模型的性能。其中FPR为横坐标TPR为纵坐标。真阳性率 (True Positive Rate, TPR)通常也被称为敏感性Sensitivity或召回率Recall。它是指分类器正确识别正例的能力。预测出的离群点占真正离群点的比例因此TPR越接近1越好。它的计算公式如下其中TPTrue Positive表示正确识别的正例数量FNFalse Negative表示错误地将正例识别为负例的数量。假阳性率 (False Positive Rate, FPR)是指误判为离群点的正常点占真正正常点的比例因此FPR越接近0越好。它的计算公式如下其中FPFalse Positive表示错误地将负例识别为正例的数量TNTrue Negative表示正确识别的负例数量。理想情况ROC 曲线越接近左上角表示模型的性能越好。理想情况下曲线会经过点 (0, 1)表示 FPR 为 0TPR 为 1即模型能够完美地识别所有离群点和正常点。随机猜测如果 ROC 曲线接近对角线即 FPR TPR表示模型的性能与随机猜测相当。5. AUC-ROCArea Under the CurveAUC是ROC曲线下的面积用于衡量分类器性能。AUC值越接近1最大面积是1表示分类器性能越好反之AUC值越接近0表示分类器性能越差。在实际应用中我们常常通过计算AUC值来评估分类器的性能。ROC-AUC主要衡量模型的整体排序能力即模型是否能把异常样本排在正常样本之前PR-AUC则更关注异常检测的实际效果反映在检测出的异常中有多少是真正的异常Precision以及是否找全了异常Recall6. G-Mean衡量的是模型在“正负两类上是否同时表现良好”也就是分类的“平衡能力”Sensitivity Recall TPR真正率实际为离群点的实例中被正确预测为离群点的比例Specificity TNR真负率实际为正常点的实例中被正确预测为正常点的比例G-Mean越接近 1整体分类越平衡越好
离群点检测性能评价指标
发布时间：2026/7/16 19:16:18
1. F1Precision精确率被预测为离群点的实例中实际为离群点的比例。Recall召回率实际为离群点的实例中被正确预测为离群点的比例。F1综合了以上两者F1分数同时考虑了模型的精确率和召回率通过调和平均的方式将两者合并成一个单一的分数以便在不同类别的样本不平衡时也能公平地评估模型性能。TPTrue Positive真正例真实是离群点且被检测为离群点FPFalse Positive假正例真实是正常点却被误判为离群点FNFalse Negative假负例真实是离群点但被误判为正常点。TNTrue Negative:真负例真实是正常点且被检测为正常点。ps其中第1个字母T预测正确/F预测错误第2个字母表示预测结果P离群点/N正常点取值范围为[0,1]2. ACCAccuracy准确率ps分子为预测正确的样本数分母为总样本数Accuracy准确率模型正确预测的样本数占总样本数的比例取值范围为[0,1]3. 排名能力RPRank-Powern表示在前N个最可疑实例的检测到的真实异常点Ri表示第i个离群点在检测结果中的排名位置4. ROC曲线Receiver Operating Characteristic定义ROC曲线是一种描绘分类器性能的图形工具它显示了在不同阈值下分类器的真阳性率True Positive RateTPR和假阳性率False Positive RateFPR之间的关系。意义ROC曲线是一种用于表示分类模型性能的图形工具。在机器学习和统计分析中它通过将真阳性率True Positive RateTPR和假阳性率False Positive RateFPR作为横纵坐标来评估分类模型的性能。其中FPR为横坐标TPR为纵坐标。真阳性率 (True Positive Rate, TPR)通常也被称为敏感性Sensitivity或召回率Recall。它是指分类器正确识别正例的能力。预测出的离群点占真正离群点的比例因此TPR越接近1越好。它的计算公式如下其中TPTrue Positive表示正确识别的正例数量FNFalse Negative表示错误地将正例识别为负例的数量。假阳性率 (False Positive Rate, FPR)是指误判为离群点的正常点占真正正常点的比例因此FPR越接近0越好。它的计算公式如下其中FPFalse Positive表示错误地将负例识别为正例的数量TNTrue Negative表示正确识别的负例数量。理想情况ROC 曲线越接近左上角表示模型的性能越好。理想情况下曲线会经过点 (0, 1)表示 FPR 为 0TPR 为 1即模型能够完美地识别所有离群点和正常点。随机猜测如果 ROC 曲线接近对角线即 FPR TPR表示模型的性能与随机猜测相当。5. AUC-ROCArea Under the CurveAUC是ROC曲线下的面积用于衡量分类器性能。AUC值越接近1最大面积是1表示分类器性能越好反之AUC值越接近0表示分类器性能越差。在实际应用中我们常常通过计算AUC值来评估分类器的性能。ROC-AUC主要衡量模型的整体排序能力即模型是否能把异常样本排在正常样本之前PR-AUC则更关注异常检测的实际效果反映在检测出的异常中有多少是真正的异常Precision以及是否找全了异常Recall6. G-Mean衡量的是模型在“正负两类上是否同时表现良好”也就是分类的“平衡能力”Sensitivity Recall TPR真正率实际为离群点的实例中被正确预测为离群点的比例Specificity TNR真负率实际为正常点的实例中被正确预测为正常点的比例G-Mean越接近 1整体分类越平衡越好
