深度学习评价指标——AUC

二分类评价指标——混淆矩阵

上表为混淆矩阵，行表示预测的label值，列表示真实label值。TP指的是样本真实类别为正，预测类别为正，FP指的是样本真实类别为负，预测类别为正，FN指的是样本真实类别为正，预测类别为负，TN指的是样本真实类别为负，预测类别为负。

TP和TN是预测正确的样本数，FP和FN是预测错误的样本数。

1.1 准确率Accruacy

缺点： 如果负样本预测都为正确的，则这个评价指标显然是比较差的。

1.2 精确率Precision和召回率Recall

精确率：预测结果中，预测为正样本的样本中，正确预测为正样本的概率；

召回率：在原始样本的正样本中，最后被正确预测为正样本的概率；

设定一个阈值，阈值之上是正样本，之下是负样本。但是当阈值很高时，预测为正样本的是分类器中最有把握的一批样本，此时精确率高但是召回率很低。阈值很低时，把一些分类器拿不准的样本也预测为正样本，则召回率高，精确率低。

1.3 F1-score

1.4 ROC与AUC

AUC定义为ROC曲线下方的面积：

两个指标

假阳率：预测为正样本但是预测错了的可能性，越低越好    

真阳率：预测为正样本但是预测对了的可能性，越高越好    

 横轴是FPR，纵轴是TPR

参考链接：AUC到底是什么？_JustForFun的博客-CSDN博客