机器学习常见的几种评价指标：精确率（Precision）、召回率（Recall）、F值（F-measure）、ROC曲线、AUC、准确率（Accuracy）

注：这是我的第一篇博客，因为自己在学习的过程中偶尔会忘记一些基础的知识，因此决定把这些知识都在博客中整理出来，以便自己查阅，也欢迎各位感兴趣的小伙伴们批评指教~~~

主要内容：机器学习中常见的几种评价指标，它们各自的含义和计算（注意本文针对二元分类器！）

---

1、混淆矩阵

True Positive（真正，TP）：将正类预测为正类的数目

True Negative（真负， TN）：将负类预测为负类的数目

False Positive（假正，FP）：将负类预测为正类的数目（Type I error）

False Negative（假负，FN）：将正类预测为负类的数目（Type II error）

2、精确率（Precision）

精确率表示被分为正例的实例中实际为里正例的比例。

3、召回率（Recall）

召回率表示所有实际为正例的实例被预测为正例的比例，等价于灵敏度（Sensitive）

4、综合评价指标（F-Measure）

Precision和Recall有时会出现矛盾的情况，为了综合考虑他们，我们常用的指标就是F-Measure，F值越高证明模型越有效。

F-Measure是Precision和Recall的加权调和平均。

当参数α=1时，就是我们最常见的F1。

5、ROC曲线和AUC（Area Under Curve）

在二分类中，我们通常会对每个样本计算一个概率值，再根据概率值判断该样本所属的类别，那么这时就需要设定一个阈值来划定正负类。这个阈值的设定会直接影响到Precision和Recall，但是对于AUC的影响较小，因此我们通过做ROC曲线并计算AUC的值来对模型进行更加综合的评价。

ROC曲线的作图原理如下：假设我们的测试集一共有n个样本，那么我们会对每个样本得到一个概率，以每个概率为阈值计算此时的"True Positive Rate"和"False Positive Rate"值，共得到n对值（n个点）。然后以"True Positive Rate"作为纵轴，"False Positive Rate"作为横轴，以这n个点的数据作图画出ROC曲线。

AUC(Area Under Curve)即为ROC曲线下的面积。

6、准确率（Accuracy）

准确率是我们最常用的评价指标，就是所有实例中被预测正确的比例，但是当数据存在不平衡时，准确率不能很全面地评价模型表现的好坏。

7、具体计算

 以上各种评价指标的计算都可以通过sklearn.metrics中的相关功能实现，参考链接：sklearn.metrics中的评估方法介绍