模型评估相关
- 评估指标相关
- AUC的概念，计算过程？除了auc还有什么度量排序结果的指标
- 特异度（Specificity）
- F1 score
- KL散度的概念
评估指标相关
AUC的概念，计算过程？除了auc还有什么度量排序结果的指标
AUC（Area Under the Curve）是衡量二分类模型预测性能的一种常用指标，特别是当我们关注排序能力（即，模型将正类排在负类前面的能力）时。
优势：AUC 不依赖于特定的阈值，适用于不平衡数据和不确定阈值的情况。它衡量的是模型的排序能力，即模型在预测时，正类的概率应该大于负类的概率。
Recall / Sensitivity / TPR（True Positive Rate）
特异度（Specificity）
Specificity / TNR （True Negative Rate）: 预测正确的所有负样本占实际所有负样本的比例
用来衡量模型识别负类的能力。特异度的计算公式是：
F1 score
KL散度的概念
基本概念：KL散度（Kullback-Leibler divergence），可以以称作相对熵（relative entropy）或信息散度（information divergence）。KL散度的理论意义在于度量两个概率分布之间的差异程度，当KL散度越大的时候，说明两者的差异程度越大；而当KL散度小的时候，则说明两者的差异程度小。如果两者相同的话，则该KL散度应该为0。数值范围为[0,+∞）
