模型评价指标：准确率、精确率、召回率、F1值，混淆矩阵

介绍模型四个评价指标之前，先介绍一下混淆矩阵（Confusion Matrix）：

混淆矩阵 (Confusion Matrix)		真实值
		正样本(Position)	负样本(Negative)
预测值	正样本(Position)	TP(True Position)	FP(False Position)
	负样本(Negative)	FN(False Negative)	TN(True Negative)

TP（真正）：被模型预测为正的正样本。

FP（假正）：被模型预测为正的负样本。

FN（假负）：被模型预测为负的正样本。

TN（真负）：被模型预测为负的负样本。

1.准确率（Accuracy）：对于给定的测试数据集，分类模型中所有预测正确的样本数/总观测值的样本数。ACC = （TP+TN）/(TP+TN+FP+FN)

2.精确率（Precision）：衡量的检测系统的查准率， 在模型预测正确为正样本的个数/模型预测为正样本的个数。

Precision = （TP）/（TP + FP）

3.召回率（Recall）：也是灵敏度(Sensitivity)，衡量额检测系统的查全率，模型预测正确的正样本的个数/实际观测值数据中正样本的个数。

Recall = （TP）/（TP+FN）

4.F1值：为了能够评价不同算法的优劣，在Precision和Recall的基础上提出了F1值的概念。F1的定义如下：

                                F1=（精确率*召回率*2）/（精确率+召回率）

F1的取值在0-1之间，数值越大表示模型效果越好。

5.PR曲线

6.ROC曲线

参考资料：分类算法中常用的评价指标 - ZH奶酪 - 博客园 (cnblogs.com)

(18条消息) 分类算法常用的评价指标_manduner的博客-CSDN博客_分类评价指标