VIP20
本课程属于：042-单细胞转录组特征学习任务 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

分类精度AUC F1-score评估详解

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
评估指标概述
为什么需要评估指标？评估体系总览
评估指标概述为什么需要评估指…
02
混淆矩阵
TP · TN · FP
混淆矩阵TP
03
准确率（Accuracy）
定义 · 计算公式 · 适用场景与陷阱
Accuracy准确率
04
精确率（Precision）
定义 · 解读 · 对误报的敏感度
Precision精确率
05
召回率（Recall）
定义 · 解读 · 对漏报的敏感度
Recall召回率
06
F1-score
调和平均的数学原理 · 综合平衡Precision和Reca…
F1-score平均的数学原理
07
F-beta score
扩展F1 · 调节beta权重适应不同业务场景
F-betascore
08
敏感性与特异性
医学诊断中的评估 · 与Recall/Precision的…
敏感性特异性
09
ROC曲线
概念 · 绘制步骤 · 解读曲线形状
ROC曲线
10
AUC定义
曲线下面积的统计学意义 · 概率解释
AUC定义
11
AUC计算方法
梯形法则 · 排序法（Wilcoxon-Mann-…
AUC计算方法
12
AUC解读与局限性
对不平衡数据的鲁棒性及其陷阱
AUC解读
13
PR曲线
Precision-Recall曲线 · 特别适用于不平衡数据集
PR曲线
14
PR曲线下面积 vs ROC曲线
何时用PR · 何时用ROC
PRvs
15
多分类评估基础
混淆矩阵扩展 · 宏平均（Macro）
多分类评估基础混淆矩阵扩展
16
多分类评估
微平均（Micro）与加权平均（We…
多分类评估Micro
17
多分类F1-score计算
sklearn实现与手动计算示例
F1-score多分类
18
多分类AUC计算
一对多（OvR）与一对一（OvO）策…
AUC多分类
19
交叉验证下的评估指标
如何正确聚合与报告
交叉验证下的评估…如何正确聚合
20
置信区间与统计显著性
Bootstrap法估计指标波动
置信区间统计显著性
21
不平衡数据集的影响
准确率陷阱 · 指标失真现象
不平衡数据集的影…准确率陷阱
22
处理不平衡
重采样 · 代价敏感学习 · 调整分类阈值
处理不平衡重采样
23
阈值选择
根据业务需求优化F1 · Precision · Recall
阈值选择F1
24
损失函数与评估指标的关系
LogLoss · Hinge Loss vs 业务指标
损失函数评估指标的关系
25
模型比较方法
配对t检验 · McNemar检验 · 似然比检验
模型比较方法配对t检验
26
回归指标 vs 分类指标
MAE · RMSE与Accuracy的本质区别
vs回归指标
27
实战案例一
二分类模型评估全流程（银行风控场景）
实战案例一二分类模型评估全…
28
实战案例二
多分类模型评估（图像识别场景）
实战案例二多分类模型评估
29
实战案例三
AUC在排序与推荐系统中的应用
实战案例三AUC
30
总结与最佳实践
常见错误 · 避坑指南 · 评估报告模板
最佳实践常见错误