为朴素贝叶斯分类建立一条ROC曲线有意义吗？

Question

这几天，在大学里，我们一直在学习NaiveBayes。因为它是一种分类算法，所以我想知道我是否可以用相同的方法(使用相同的度量)来评估NaiveBayes模型，我们评估其他分类算法，比如支持向量机、LogisticRegression或DecisionTrees。

对我来说，使用精度、回忆或F1评分这样的指标来评估它是有意义的。但我对像中华民国曲线或PR曲线这样的指标表示怀疑？用这些曲线来评价我的模型是正确的吗？或者为NaiveBayes模型建立一个ROC/PR曲线是没有意义的？

非常感谢！)

Answer 1

在任务的上下文中使用度量是有意义的，而不是算法。毕竟，我们并不是在质量度量上训练算法，而是通过质量度量来比较不同的模型。

也就是说，如果这是一项任务，例如，在信用评分中排名(把更多的钱给最好的人，而不是给最坏的人)，那么roc auc曲线下的区域显示了排名的质量，这是有意义的。如果任务是预测流行病期间的疾病，那么回忆是一个很好的选择。等。我相信，您可以使用roc auc的度量，任何模型，能够作出持续的预测，包括朴素贝叶斯分类。

Answer 2

正如@Andrew提到的，您将要使用的评估指标是特定于任务的，而不是特定于算法的。你的任务是分类，你使用的算法是朴素的-贝叶斯。精确性、召回性、F1、AUC等都是分类评估指标，您可以使用任何(甚至一起)来评估您的模型，这是明智的。