分类器评价指标

混淆矩阵

实际样本	预测结果
	正例	反例
正例	TP(正预测为正，真正)	FN(正预测为负，假负）
负例	FP(负预测为正，假正）	TN（负预测为负，真负）

1.准确率

TP和TN：表示预测正确的

2.1. 查准率：（精确率），预测为真占预测为真的百分比，表示对正样本的预测准确程度（预测为正/所有为正的预测）。

2.2. 查全率：（召回率），实际样本为正中预测为正的比例，（预测为正/所有为正的样本）

2.3 F1， 兼顾精确率和召回率

---

3.1. 灵敏度，真正率（True Positive Rate , TPR）,正样本预测正确的/正样本总数：

3.2.特异性，真假率（True Negative Rate , TNR）,负样本预测正确的/负样本总数：

3.3. 假负率：(False Negative Rate , FNR)，FNR=1-TPR, 正样本预测错误的/正样本总数。

3.4. 假正率： (False Positive Rate , FPR)，FPR=1-TNR，负样本预测错误的/负样本总数。

灵敏度和特异度可以解决样本不平衡的问题，因为灵敏度只关注正样本检出率，特异度只关注负样本检出率。

3.5. ROC

纵坐标：真正率（灵敏度）；

横坐标：假正率（1-特异性）；

优势：

不受阈值选择影响；（ROC曲线各点是根据不同阈值绘制出的点）

正负样本不均匀不影响ROC评价；（灵敏度、特异度计算只分别关注正样本和负样本）

表示将pre递增排序后，正样本label对应的排序序号之和。