机器学习中的precision, recall, accuracy, F值，ROC曲线

参考：

假设用机器学习方法解决某个二元分类问题，在分析比较不同模型时常看到这些指标。

四个概念：TP，FP，TN，FN

TP（True Positive）：在判定为positive的样本中，判断正确的数目。

FP（False Positive）：在判定为positive的样本中，判断错误的数目。

TN（True Negative）：在判定为negative的样本中，判断正确的数目。

FN（False Negative）：在判定为negative的样本中，判断错误的数目。

判断正误是根据样本的label或称之为标准答案，来计算的。模型或规则给出的判定P或N可以看作是二分类类别。

这些值计算一般是在验证集(validation set)上进行的。

可见，精确率和召回率是相互影响的，理想情况下两者都高，但是一般情况下准确率高，召回率就低；召回率高，准确率就低；如果两者都低，应该是哪里算的有问题。

在两者都要求高的情况下，综合衡量P和R就用F值：

α为1时，就是常见的F1值（F1 score）：

一般多个模型假设进行比较时，F1 score越高，说明它越好。

ROC曲线和AUC

ROC（Receiver Operating Characteristic）和AUC（Area UnderCharacteristic）常被用来评价一个二分类器的优劣。

ROC曲线一般横轴是FPR，纵轴是TPR。AUC为曲线下面的面积，一般AUC值越大，说明模型越好。

曲线示例：