昨天很快樂的開始說監督式學習，突然發現有東西沒說到，所以補到今天，這就是當天想當天主題的可悲，總之今天來寫寫模型得一些東東。

不知道為甚麼一職寫關於介紹的東西
但其實我個人是蠻需要這些介紹的
很多時候關於用詞的不了解讓我在聊天時聽不懂
其實蠻難過的
而且要是不懂裝懂又會說錯話而尷尬
所以這邊來認識一下這些名詞吧！

模型評估指標

混淆矩陣（ Confusion Matrix ）

用於評估分類模型性能的重要工具，對比模型在不同類別上的預測結果與實際情況，通常用於二元分類問題：正類別（ Positive ）和負類別（ Negative ）。

True Positives（ TP ）：模型預測正類別正確
True Negatives（ TN ）：模型預測負類別正確
False Positives（ FP ）：模型誤分實際負類別
False Negatives（ FN ）：模型誤分實際正類別

準確率（ Accuracy ）

正確預測的樣本比例，在不平衡的類別分佈下可能會不適用
公式如下：
Accuracy = ( TP + TN )/( TP + FP + FN + TN )

精確率（ Precision ）

正確預測為正類別的樣本比例，用於評估正確性
公式如下：
Precision = TP /( TP + FP )

召回率（ Recall ）

真正類別的樣本被成功預測的比例，用於評估完整性
公式如下：
TP /( TP + FN )

F1 Score

多數情況下，不會偏 precision 或 recall ，而是希望精確率和召回率的調和平均值，用於綜合評估模型的性能
公式如下：
F1 score = 2 * Precision * Recall / ( Precision + Recall )

接收者操作特徵曲線 ROC 曲線（ Receiver Operating Characteristic Curve ）

ROC 曲線是將二元分類器在不同閾值設置下的性能以圖形方式展現
在不同閾值下的 True Positive Rate （簡稱 TPR ）和 False Positive Rate （簡稱 FPR ）為坐標，繪製出曲線

TPR Sensitivity = Recall
公式如下
TPR = TP /（ TP + FN ）
TPR越高，越能判斷出正樣本，表現越好

FPR
公式如下
FPR = FP / （ TN + FP ）
FPR越低，越能正確判斷負樣本，表現越好

from wikipedia

AUC （ Area Under the ROC Curve ）

AUC 代表了二元分類器的整體性能
取值 ROC 曲線下的面積落在 0 到 1 之間
AUC越大正確率越高
0.5 < AUC < 1：模型比隨機預測好，有預測能力
AUC = 0.5：模型比隨機預測好，有預測能力
AUC < 0.5：模型比隨機猜測還差，使用反預測

from wikipedia

結果今天只打了一半
明天還有一半
掰掰

參考資料

https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%B5%B1%E8%A8%88%E6%96%B9%E6%B3%95-%E6%A8%A1%E5%9E%8B%E8%A9%95%E4%BC%B0-%E9%A9%97%E8%AD%89%E6%8C%87%E6%A8%99-b03825ff0814
https://medium.com/@imirene/python%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E5%88%86%E9%A1%9E%E6%A8%A1%E5%9E%8B%E7%9A%845%E5%80%8B%E8%A9%95%E4%BC%B0%E6%8C%87%E6%A8%99-3260f116ce47
https://dysonma.github.io/2020/12/05/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E5%B8%B8%E8%A6%8B%E7%9A%84%E8%A9%95%E4%BC%B0%E6%8C%87%E6%A8%99/
https://zh.wikipedia.org/zh-tw/ROC%E6%9B%B2%E7%BA%BF