模型评估面试考点｜准确率、精确率、召回率、F1、AUC

前言模型评估是算法面试必考压轴考点，不管机器学习还是深度学习项目，收尾必谈指标。很多人容易混淆精确率、召回率、准确率，本文一次性理清所有评价指标定义、计算公式、适用场景、取舍原则，背诵完彻底告别概念混淆。一、先认清混淆矩阵四大基础值TP：真正例，预测正、实际正FN：假负例，预测负、实际正FP：假正例，预测正、实际负TN：真负例，预测负、实际负二、五大核心评估指标详解1. 准确率 Accuracy公式：(TP+TN) / (TP+FN+FP+TN)含义：整体样本预测正确占比缺点：样本极度不均衡时完全失效适用：各类别样本数量均衡场景2. 精确率 Precision（查准率）公式：TP / (TP+FP)含义：预测为正的样本里，真正正确的比例关注点：尽量别把负样本误判成正样本场景：广告推荐、精准推送，宁可少推不错推3. 召回率 Recall（查全率）公式：TP / (TP+FN)含义：所有真实正样本中，被成功找出的比例关注点：尽可能把所有正样本全部找出来场景：疾病筛查、风控识别、故障检测，宁可误判不能漏掉4. F1 分数精确率与召回率调和平均数，平衡两者公式：2*(P*R)/(P+R)作用：综合评判模型整体效果，越接近 1 效果越好5. ROC 曲线 AUC 值