今天遇到有一个比较有趣的问题， 我想做一个分类问题，预测用户下单的概率，但是我出了对这个下单的概率感兴趣以外，还对下单的总人数感兴趣，中间可能考虑一些补贴的事宜，这个时候就有一个比较有意思的问题， 对于分类问题我们一般关注AUC即可，那么对于这个场景我是否能只关注AUC呢？因为考虑到下单人数的计数，我也想关注MAE，然后就产生了一个很好的问题， AUC和RMSE是否是完全同向的， 以及我们分类使用

这个系列介绍一下模型的可解释性，这一部分经常被算法同学忽略掉，其实也经常有同学不被其他的业务线理解，感觉算法同学是不是在撞大运。是否真的能对自己学习出来的模型负责。为什么要有模型解释性这个时候你是否会问，我模型效果好就行呗，为啥还要搞这个可解释性，有那个功夫我多做几个模型是不是就好了。其实这个是一个好的问题，算法同学对业务的产出只能是模型吗，模型数量代表工作量吗？这个也是我之前错误认知的理念。 目

模型的评估错误率错误率指的的是分类错误的样本数占总样本的比例精度精度指的是分类正确的样本数占总样本的比例。查准率和查全率错误率和精度虽然常用，但是对于某些问题来说并不能完全的评估一个模型好坏。下面来看一个混淆矩阵然后来说明我们我概念。查准率的定义为：$$P=\frac{TP}{TP+FP}$$查全率