二元分类度量

收益图按数据的百分比绘制总正比率或收益。模型线越接近理论精确度（完美模型），离随机猜测越远（无模型），收益越大。收益可用于确定组织的资源优先级。

例如，如果一个模型在 20% 的数据上有 80% 的收益，那么用前 20% 的数据就可以达到 80% 的目标。

提升图按数据的百分比绘制改善率或提升。更好的模型具有更高的提升。

例如，如果一个模型在 20% 的数据中具有 2.5 的提升，那么在数据的前 20% 中使用该模型时，获得的结果比不使用该模型时获得的结果好 2.5 倍。

观察总数。值的含义因列而异。

• 对于训练数据和验证数据列，数字相同。此值表示在创建模型时使用的整个数据的观察总数。
• 对于倍数 1 至倍数 4 列，该值表示该倍数中有多少个观察值（约占整个数据的 25%）。

曲线下面积 (AUC) 代表逻辑模型的正确分类率。

• 0.5 表示模型表现不如随机猜测。
• 1.0 表示模型在 100% 的时间内正确分类数据，这可以表示数据泄露。

准确性衡量模型正确预测结果的比例（真阳性和真阴性）。

• 用于评估模型的整体分类性能。
• 该范围从 0 到 1，值越高，性能越好。
• 计算为 (True Negative+True Positive)/(True Negative+False Negative+True Positive+False Positive).

F1 分数是阳性预测值（精度）和真阳性率（召回）的和谐平均值。

• 用于评估二元分类模型的整体性能，特别是在最小化假阳性和假阴性同样重要时。
• 该范围从 0 到 1，值越高，性能越好。
• 计算为 2*(Positive Predicted Value*True Positive Rate)/(Positive Predicted Value+True Positive Rate)。

假阴性率 (FNR，也称为 II 型错误或漏报率) 是预测假阴性在所有实际阳性中的比例。

• 用于评估分类模型错误地将阳性分类为阴性的频率，或者当最小化假阴性错误很重要时。
• 该范围从 0 到 1，较低的值表示性能更好。
• 计算为 False Negative/(False Negative+True Positive)。

假阳性率（FPR，也称为类型 I 误差、假警报率或影响）是所有实际阴性中预测的假阳性的数量。

• 用于评估分类模型错误地将阴性分类为阳性的频率，或最小化假阳性错误的重要性。
• 该范围从 0 到 1，较低的值表示性能更好。
• 计算为 False Positive/(False Positive+True Negative)。

知情性（也称为 Youden 的 J 统计）衡量模型预测积极和消极因素的程度。

• 用于评估二元分类模型的整体性能，特别是在对真阳性和真阴性进行分类同样重要时。
• 范围从 -1 到 1，1 表示完美性能，0 表示随机性能，-1 表示完美反向性能。
• 计算为 True Positive Rate+True Negative Rate-1。

标记性 衡量模型对积极和消极预测的信任度。

• 用于评估二元分类模型的整体性能，特别是当单独评估正面和负面的性能很重要时。
• 范围从 -1 到 1，1 表示完美性能，0 表示随机性能，-1 表示完美反向性能。
• 计算为 Positive Predicted Value+Negative Predicted Value-1。

与其他度量相比，对于混淆矩阵的四个部分，Matthews 相关系数 (MCC) 提供更均匀的表征。

• 用于评估整体性能，特别是在数据不平衡时。
• 范围从 -1 到 1，1 表示完美性能，0 表示随机性能，-1 表示完美反向性能。
• 计算为 (True Positive*True Negative-False Positive*False Negative )/square root((True Positive+False Positive)*(True Positive+False Negative)*(True Negative+False Positive)*(True Negative+False Negative))。