###### tags: `SBD`
# 判斷結果好不好的方法
# 分類指標(目標為離散的)
[參考網站](https://medium.com/nlp-tsupei/roc-pr-%E6%9B%B2%E7%B7%9A-f3faa2231b8c)
## Accuracy
- 所有分類正確的樣本佔全部樣本的比例
- ACC = (tp + tn) / 全部樣本

## Precision & Recall
[參考網站](https://chingtien.medium.com/%E5%BF%83%E7%90%86%E5%AD%B8%E5%92%8C%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E4%B8%AD%E7%9A%84-accuracy-precision-recall-rate-%E5%92%8C-confusion-matrix-529d18abc3a)
[評估模型指標](https://ithelp.ithome.com.tw/articles/10218575)

[例子]
- 用"狼來了"的故事，分成四類
- 前情 : positive 檢測到狼.negative 沒檢測到狼.
- 這裡的狼代表真實結果，呼喊代表預測結果


- 1. True Positives : 狼來，小孩叫
- 2. False Positives : 狼沒來，小孩叫
- 3. False Negatives : 狼來，小孩沒叫
- 4. True Negatives : 狼沒來，小孩也沒叫

#### Precision : 當小孩說了狼來了，真的狼來了機率
- True Positive Rate
- 這個值越大越好

#### Recall : 進入村莊的狼，我們發現的機率
-
- 這個值越大越好

- 兩個機率相互影響，如果Recall 要提升，連風吹草動都要說狼來了
- 如果不想要說了之後發現狼沒來，那就要變嚴格

- 有一個指標是ROC 指標
- 結合上面兩者得出的

### f1 score
- 越大越好
### f2 score

## ROC
[參考網址](https://estat.pixnet.net/blog/post/61795603-roc%E6%9B%B2%E7%B7%9A-%28receiver-operating-characteristic-curve%29)
- 不同 thershold 的recall & precision 結果曲線

## AUC(曲線下面積) = 表示“ROC 曲線下面積”
- 用AUC 的計算 : AUC值越大，結果越正確，如果AUC = 0.5 ，那就和隨機丟銅板一樣
- 我們希望AUC = 1(但是是不可能的)
## F - Score

- f 後面的數字是 β 的值
- β = 1 => f1
# 迴歸指標(目標為連續的數值)
## RMSE
## MSE
## MAE