模型的特异性与敏感性，以及二分类模型的评价指标。
下图参考知乎某回答，链接如下，我在学习之后，经过自己总结，给出如下类比解释。
模型的特异性与敏感性，这里与医学领域的查全率和查准率相联系，下面以患病给出对比。
下图成为混淆矩阵。
TP:真阳性，即被诊断患病的人中确实患病的人，即诊断患病判断正确的人数。
FP:假阴性，即被诊断为不患病的人中，却患病的人，患病而被漏诊的人。
TN:真阴性，确实不患病，诊断不患病正确的人。
FN:假阳性，即诊断为患病缺并没有患病，被误判为患病的人。
敏感性Sensitivity = TP / （TP + FN），第一行
特异性Specificity = TN / （FP + TN），第二行
敏感性：检测患病的比率越大，表明对该病的识别是否患病诊断比较敏感，称之为敏感性。
特异性：
泛化能力：机器学习模型预测误差情况通常是评估的重点，它不仅仅是学习过程中对训练数据有良好的学习预测能力，根本上在于要对新数据能有很好的预测能力
二分类问题：对于二分类问题，常用的评价指标，
F1-score：
precision：精确率P
recall:召回率R
average error:
本文参考了知乎上一下几篇出色的文章，建议读者阅读。
https://www.zhihu.com/question/30750849/answer/346299267
https://www.zhihu.com/question/30750849/answer/346299267https://zhuanlan.zhihu.com/p/436810215https://zhuanlan.zhihu.com/p/436810215https://zhuanlan.zhihu.com/p/434368207https://zhuanlan.zhihu.com/p/434368207
版权声明：本文为博主Alpha Auriage原创文章，版权归属原作者，如果侵权，请联系我们删除！
原文链接：https://blog.csdn.net/m0_55281984/article/details/122649155
