7.1 评估指标 (准确率、召回率、F1-score、ROC曲线、PR曲线)

文档摘要

7.1 评估指标 (准确率、召回率、F1-score、ROC曲线、PR曲线) 7.1 评估指标 (准确率、召回率、F1-score、ROC曲线、PR曲线) 时间序列异常检测的评估与模型选择至关重要。选择合适的评估指标能够帮助我们客观地衡量模型性能，并指导模型优化。与传统的分类问题类似，异常检测也经常使用准确率、召回率、F1-score等指标，但由于异常检测的特殊性（例如，异常样本通常远少于正常样本），ROC曲线和PR曲线也扮演着重要的角色。 7.1.1 混淆矩阵在介绍各种评估指标之前，我们先回顾一下混淆矩阵。混淆矩阵是评估分类模型的基础，它总结了模型预测结果与真实标签之间的关系。