1. 精确度、召回率、准确率

• 精确度(precision)：又叫查准率,预测为正例的样本中，有多少比例是真正的正例。

• 召回率(recall):又叫查全率，真正的正样本中，有多少比例是预测对了。

• 准确率(accuracy):正确预测的比例 也就是有百分之几的样本被正确的分类了，（包括正、负样本）。

• 计算公式：

真阳性(TP)——正确的肯定 真阴性(TN)——正确的否定 假阳性(FP)——错误的肯定，假报警，第一类错误 假阴性(FN)——错误的否定，未命中，第二类错误

精确度：(precision) 精确度P: $P=\frac{TP}{TP+FP} \tag{1}$

召回率：(recall) $R=\frac{TP}{TP+FN} \tag{2}$

• $F1-measure$

$F1-measure$计算公式如下： $F=\frac{2 \cdot Precision \cdot Recall}{ Precision + Recall } \tag{3}$

2. PR曲线和ROC曲线

• 如何得到PR曲线？ 对于一些模型（e.g. Logistic Regression、SVM、神经网络）输出一个得分score。将score从大到小排序，依次以每个score为阈值，预测样本的正负，得到分类结果，然后计算precision和recall。 假设测试集有200个样本，那么就可以得到200个precision-recall，以precision为x轴，recall为y轴就可以在二维坐标图中得到PR曲线。

• 如何得到ROC曲线？ 方法和上面的类似，只是x轴是假阳性率， y轴是真阳性率 sklearn中的ROC

• 为什么用ROC曲线？

  既然已经这么多评价标准，为什么还要使用ROC和AUC呢？因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。