分类模型的精确率（precision）与召回率（recall）（Python）

• TP：true positive，将正类预测为正类
• FN：false negative，将正类预测为负类
• FP：false positive，将负类预测为正类
• TN：true negative，将负类预测为负类

伪阳性率FPR（False Positive Rate，在真实为阴性的样本中，被误诊为阴性的比率，在真实为阴性（FP+TN）的样本中，被误诊为阳性（FP）的比值）：

$$FPR=\frac{FP}{FP+TN}$$
真阳性率TPR（True Positive Rate，在真实为阳性的样本中，被正确诊断为阳性的比率为）：
$$TPR=\frac{TP}{TP+FN}$$

Precision（精确率）：

$$P=\frac{TP}{TP+FP}$$
Recall（召回率）（FN：false negative，真实为 positive，预测为 negative，伪阴）：
$$R=\frac{TP}{TP+FN}$$
F1 score：
$$\frac2{F_1}=\frac1P+\frac1R\\ F_1=\frac{2PR}{P+R}$$

# y_true, y_pred
# TP = (y_pred==1)*(y_true==1)
# FP = (y_pred==1)*(y_true==0)
# FN = (y_pred==0)*(y_true==1)
# TN = (y_pred==0)*(y_true==0)
# TP + FP = y_pred==1
# TP + FN = y_true==1

def precision_score(y_true, y_pred):
    return ((y_true==1)*(y_pred==1)).sum()/(y_pred==1).sum()
def recall_score(y_true, y_pred):
    return ((y_true==1)*(y_pred==1)).sum()/(y_true==1).sum()
def f1_score(y_true, y_pred):
    num = 2*precison_score(y_true, y_pred)*recall_score(y_true, y_pred)
    deno = (precision_score(y_true, y_pred)+recall_score(y_true, y_pred))
    return num/deno