理论物理学家和研究科学家Mehmet Suzen曾表示，二分类任务是机器学习的基础。但是，其性能的标准统计信息是一种数学工具，ROC-AUC很难解释。在这里，引入了一种性能度量，该度量仅考虑进行正确的二进制分类的可能性。

机器学习模型的核心应用是二分类任务。从用于诊断测试的医学领域到为消费者提供信用风险决策的领域，有很多领域。建立分类器的技术多种多样，从简单的决策树到逻辑回归，再到最近利用多层神经网络的超酷深度学习模型。但是，它们在构造和训练方法上在数学上有所不同，就其评估而言，事情变得棘手。在本文中，我们为实践中的二元分类器提出了一种简单且可解释的性能指标。

为什么ROC-AUC无法解释？

因为不同的阈值会产生不同的混淆矩阵。

报告分类器性能的实际标准是使用接收机工作特性（ROC）-曲线下面积（AUC）''度量。它起源于1940年代美国海军研发雷达时，用于测量探测性能。 ROC-AUC的含义至少有5种不同的定义，即使您拥有博士学位也是如此。在机器学习中，人们很难解释AUC作为绩效指标的含义。由于AUC功能几乎在所有图书馆中都可用，并且它几乎像一种宗教仪式一样，在机器学习论文中作为分类表现进行报告。但是，除了荒谬的比较问题之外，其解释并不容易，请参阅hmeasure。 AUC会根据从不同阈值的混淆矩阵中提取的假正率（FPR）来衡量真正率（TPR）曲线下的面积。

f（x）= y

∫10 f（x）dx = AUC

其中，y是TPR，x是FPR。除了多种解释且容易混淆之外，将积分放在FPR之上没有明确的目的。显然，我们希望通过将FPR设置为零来实现完美的分类，但是该区域在数学上并不清晰，这意味着它作为一个数学对象是不清楚的。

正确分类的概率（PCC）

对于二分类问题的分类器而言，一种简单且可解释的性能指标对于技术含量高的数据科学家和非技术利益相关者都非常有用。这个方向的基本租户是，分类器技术的目的是区分两个类别的能力。这归结为一个概率值，正确分类的概率（PCC）。一个明显的选择是所谓的平衡精度（BA）。通常建议将其用于不平衡问题，即使是SAS也是如此;尽管他们使用了概率相乘。由于统计上的依赖性，在这里我们将BA称为PCC并使用加法代替：

PCC =（TPR + TNR）/ 2

TPR = TP /（条件正例）= TP /（TP + FN）

TNR = TN /（条件负例）= TN /（TN + FP）。

PCC告诉我们分类器在检测任何一个分类中有多好，它是一个概率值[0,1]。请注意，即使我们的数据在生产中是均衡的，在肯定和否定情况下使用总精度也会产生误导，即使我们衡量绩效的批次可能不均衡，所以仅凭准确性并不是一个好方法。

生产问题

迫在眉睫的问题是如何在生成混淆矩阵时选择阈值？一种选择是选择一个阈值，以使PCC在测试集上的生产最大化。为了改善PCC的估计，可以对测试集进行重采样以获得良好的不确定性。

结论

我们尝试通过引入PCC或平衡精度作为二进制分类器的一种简单且可解释的性能指标来规避报告AUC。这很容易向非技术人员解释。可以引入一种改进的PCC，它考虑到更好的估计属性，但是主要解释仍然与正确分类的可能性相同。