03-模型评估

模型accuracy只是评估模型的一种途径，在不同的应用场景下，需要考虑特殊的评估因素

贝叶斯原理，事件条件与关联

几个故事

看情况再说

妹子对我有没有好感

小明怀疑自己得了一种严重的疾病， 这种疾病在人群的发病率为$1/10000$ ， 小明来到医院去做检查，

这种检查的准确率为99% , 小明得到了一个阳性的检查报告。

• TRUE POSITIVE 预测正确，阳性， 有病阳性
• TRUE NEGATIVE 预测正确，阴性， 没病阴性
• FALSE POSITIVE 预测错误，阳性， 没病阳性
• FALSE NEGATIVE 预测错误，阴性， 有病阴性

所以检查报告的情况只有这四种：

• 检查阳性， 且 有病

• 检查阳性， 且 没病

• 检查阴性， 且 有病

• 检查阳性， 且 没病

现在小明拿到了检测报告， 阳性的事情已经发生了。

有病 + 阳性的概率 $p_1=1/10000*99/100= 99/1000000$

没病+ 阳性的概率 $p_2=9999/10000*1/100=9999/1000000$

其实小明真的得病的概率 $p = p_1/(p_1+p_2) = 99/(99+9999)=0.0098$

## 其他模型评估公式

$$召回率Recall = \dfrac {True Positives}{TruePositives+False Negatives}$$

$$精确度Precsion = \dfrac {True Positives}{TruePositives+False Positives}$$

$$F-score=\dfrac{2*Recall*Precsion}{Precision+Recall}$$

思考题： 垃圾邮件和疾病 分别适合哪种评估公式？