精准决策：机器学习中的评估指标揭秘

这张图详细描述了在机器学习中选择合适的评估指标的方法。根据你想预测的内容分为两大类：类别标签和概率。

1. 类别标签：

- 如果两类同等重要，并且大多数样本属于主要类别，使用准确率（Accuracy）。

- 如果假阳性和假阴性成本相等，使用F1 Score。

- 如果假阳性成本更高，使用F0.5 Score。

- 如果假阴性成本更高，使用F2 Score。

- 当正类更重要时，使用G-Mean。

2. 概率：

- 需要概率时，使用Brier Score。

- 需要类别标签时：

- 正类更重要时，使用PR AUC（Precision-Recall AUC）。

- 两类同等重要时，使用ROC AUC（Receiver Operating Characteristic AUC）。

这张图帮助我们在不同的情境下选择最合适的评估指标，从而提高模型的实际应用效果。