机器学习 评价指标-召回率（Recall） 精确率（Precision）准确率（Accuracy）ROC曲线和AUC值

召回率（Recall） 精确率（Precision）准确率（Accuracy）ROC曲线和AUC值 是机器学习中常用的评价指标，下面用具体的事例来一一介绍每个指标的具体含义。

假设某个班级有男生80人，女生20人，共100人。目标是找出所有的女生
现在有人挑选出了50个人，其中20个是女生，另外还错误的把30个男生也当作女生挑选了出来。

下面根据一个图给大家说几个概念。

TP(True Positive)：TP值是将正例判定为正例 这里 TP = 20 将女生判定为女生

FP(False Positive)：FP值是将负例判定为正例 这里 FP = 30 将男生判定为女生

FN(False Negative)：FN值是将正例判定为负例 这里 FN=0 将女生判定为男生

TN(True Negative)：TN值是将负判定为负例 这里 TN = 50 将男生判定为男生

-准确率（Accuracy）

Accuracy=(TP+TN)/(TP+TN+FN+FP)

意思是所有预测结果的准确率 。这里是20+50/20+30+0+50 =0.7

-召回率（Recall）

Recall = TP/ (TP+FN)

即为实际为女生的人中，预测为女生的人占比。 这里是20/20+0 =1
即认为预测结果很好 ，能将需要预测的女生都预测出来。

-精确率（Precision）

Precision = TP/ (TP+FP)

这里是20/20+30
意思是在你预测的50个是女生的人中，真正女生的个数只有20个。

一般情况下，要分辨一个模型是好坏 ，需要结合召回率（Recall）和精确率（Precision）两个值，当两个值都高的时候，我们说这个模型很好，但实际情况都是一个高一个低。所以我们有另一个判别标准 ，F1-score 结合了Precision和Recall。

-F1得分值（F1-score）

F1-score= 2TP/(2TP + FP + FN)

当F1 -score的值越高，我们说这个模型效果越好。

-ROC曲线

接着来说ROC曲线 ，我们可以根据两个指标形成坐标轴
纵坐标为TPR（True positive rate）
横坐标为FPR（False positive rate）
TPR（True positive rate）=TP/ (TP+FN) 也就是召回率
FPR（False positive rate）=FP/(FP+TN) 即为实际是男生，被判定为女生的占比，这里FPR = 3/8

我们以FPR为横轴，TPR为纵轴，得到如下ROC空间：

我们可以看出：左上角的点（TPR=1，FPR=0），为完美分类，也就是这个模型很好，判定全对；点A（TPR>FPR），模型的判定大体是正确的。中线上的点B（TPR=FPR），也就是模型是蒙的，蒙对一半，蒙错一半；下半平面的点C（TPR

而ROC曲线就是基于这样两个指标画出的曲线。
如图黑粗线就是一条ROC曲线，曲线越靠近左上角模型分类效果越好。

-AUC值

AUC值为ROC曲线所覆盖的区域面积，显然，AUC越大，分类器分类效果越好。

AUC = 1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。

0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。

AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。

AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。

总结：所有指标的具体含义结合实际例子都很好理解，但每个评价指标应用的场景都不一样，具体场景需要个人去总结。