ROC曲线以及评估指标F1-Score, recall, precision-整理版

  最近一直在看ROC曲线，查阅了一些资料，并进行了整理，文章结尾有原资料链接。希望能节约各位找资料的时间。

ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣 。ROC曲线怎么来的呢，我们来看经典的混淆矩阵：

ROC曲线一般的横轴是FPR，纵轴是FPR。AUC为曲线下面的面积，作为评估指标，AUC值越大，说明模型越好。如下图：

当然还有其他的一些评估指标，常见的有：ROC、AUC、precision、recall、F1-score。下面是指标详细：

Terminology and derivations
from a  confusion matrix

true positive (TP) eqv. with hit true negative (TN) eqv. with correct rejection false positive (FP) eqv. with  false alarm,  Type I error false negative (FN) eqv. with miss,  Type II error sensitivity or  true positive rate (TPR) eqv. with  hit rate,  recall specificity (SPC) or  true negative rate (TNR) precision or  positive predictive value (PPV) negative predictive value (NPV) fall-out or  false positive rate (FPR) false discovery rate (FDR) miss rate or  false negative rate (FNR) accuracy (ACC) F1 score is the  harmonic mean of  precision and  sensitivity Matthews correlation coefficient (MCC) Informedness = Sensitivity + Specificity - 1 Markedness = Precision + NPV - 1

以下是指标的介绍：感觉原博主讲的很好，我就不作修改了，复制粘贴排版会乱，就直接截图了。

参考来源：

http://www.w2bc.com/Article/88963

https://en.wikipedia.org/wiki/Receiver_operating_characteristic