1700499846
1700499847
❑Error rate（错误率）：模型总体的错误率，是指模型错误预测、错误识别1和0观察对象的数量与预测对象总数的比值，也即1减去正确率的差，公式如下：
1700499848
1700499849
1700499850
1700499851
1700499852
❑Sensitivity（灵敏性）：又叫击中率或真正率，模型正确识别为正（1）的对象占全部观察对象中实际为正（1）的对象数量的比值，公式如下：
1700499853
1700499854
1700499855
1700499856
1700499857
❑Specificity（特效性）：又叫真负率，模型正确识别为负（0）的对象占全部观察对象中实际为负（0）的对象数量的比值，公式如下：
1700499858
1700499859
1700499860
1700499861
1700499862
❑Precision（精度）：模型的精度是指模型正确识别为正（1）的对象占模型识别为正（1）的观察对象总数的比值，公式如下：
1700499863
1700499864
1700499865
1700499866
1700499867
❑False Positive Rate（错正率）：又叫假正率，模型错误地识别为正（1）的对象数量占实际为负（0）的对象数量的比值，即1减去真负率Specificity,公式如下：
1700499868
1700499869
1700499870
1700499871
1700499872
❑Negative Predictive Value（负元正确率）：模型正确识别为负（0）的对象数量占模型识别为负（0）的观察对象总数的比值，公式如下：
1700499873
1700499874
1700499875
1700499876
1700499877
❑False Discovery Rate（正元错误率）：模型错误识别为正（1）的对象数量占模型识别为正（1）的观察对象总数的比值，公式如下：
1700499878
1700499879
1700499880
1700499881
1700499882
可以很容易地发现，正确率是灵敏性和特效性的函数：
1700499883
1700499884
1700499885
1700499886
1700499887
上述各种基本指标，从各个角度对模型的表现进行了评估，在实际业务应用场景中，可以有选择地采用其中某些指标（不一定全部采用），关键要看具体的项目背景和业务场景，针对其侧重点来选择。
1700499888
1700499889
另一方面，上述各种基本指标看上去很容易让人混淆，尤其是与业务方讨论这些指标时更是如此，而且这些指标虽然从各个不同角度对模型效果进行了评价，但指标之间是彼此分散的，因此使用起来需要人为地进行整合。
1700499890
1700499891
鉴于此，在实际业务应用中，数据分析师更多使用的是其他一些可帮助综合性判断的指标，这些就是7.4.2～7.4.4节将要介绍的ROC曲线、KS值和Lift值。
1700499892
1700499893
1700499894
1700499895