二分类：评价指标（TPR、Recall、Precision、Accuracy、AUROC、AUPR）

参考：
1、如何解释召回率、精确率？
2、什么是真、伪阳性率【详细讲解】
3、机器学习中的F1-score

一、定义

1、二分类情况下，有正、负样本（即：阳性、阴性）

2、根据真实类别、预测类别的不同，可以大致划分为以下四种情况：

1、真阳性率 TPR（True Positive Rate）

也叫召回率，Recall。是指正类样本中，有多少被正确预测为正类【针对于原来样本来说的】

正类样本：真阳、假阴

TPR=TP/（TP+FN）

区分

Precision，也叫精确率。是指被预测为阳性的样本中，有多少是预测正确的【针对于预测结果来说的】

Precision=TP/（TP+FP）

区分

Accuracy，也叫准确率。包括正、负样本

Accuracy = （TPR+TNR）/2

2、TNR、FPR、FNR，同理

真阴性率 TNR（True Negative Rate）
假阳性率 FPR（False Positive Rate）
假阴性率 FNR（True Negative Rate）

3、AUROC（Area Under ROC，ROC曲线下面积）

1、什么是ROC曲线？

【二分类是通过“阈值”来划分正、负类的】

横轴：FPR
纵轴：TPR

2、

4、AUPR（Area Under PR）

1、什么是PR曲线？

横轴：TPR
纵轴：Precision

也分别叫作
（1）查全率：说明你的模型或者方法可以预测出较多的数据
（2）查准率：说明所预测的样本的正确性较高

2、总结

pr曲线因为涉及到精确率precision计算，容易受到样本分布的影响。一般来说，用于平衡数据集。而ROC曲线则，既可以用于平衡数据集，也可以用于不平衡数据集

关于ROC、PR曲线的更详细解释

5、F1-Score

6、实现

以上指标在具体python代码中，可以调用sklearn.metrics下的对应函数

1、sklearn.metrics.roc_auc_score(y_true, y_score, *, average=‘macro’, sample_weight=None, max_fpr=None, multi_class=‘raise’, labels=None)

2、sklearn.metrics.average_precision_score(y_true, y_score, *, average=‘macro’, pos_label=1, sample_weight=None)

2、sklearn.metrics.f1_score(y_true, y_pred, labels=None, pos_label=1, average=’binary’, sample_weight=None)