如何通俗理解准确率、精确率、召回率、F1score、AUC、ROC

本文我会用最通俗的语言帮助大家快速理解并记住准确率、精确率、召回率、F1score，AUC、ROC以及特异度。

这些指标其实乍一看能知道都是什么，但是一用起来记不住定义

1.第一步 认识混淆矩阵

借用一下别人的图，这俩图说的是一个内容，大家稍微消化一下，右图中的reference是参考的意思，可以理解为实际值。

我们看一下定义

• 真正类（True Positives, TP）：模型正确预测为正类的正类样本数。
• 假正类（False Positives, FP）：模型错误预测为正类的负类样本数。
• 真负类（True Negatives, TN）：模型正确预测为负类的负类样本数。
• 假负类（False Negatives, FN）：模型错误预测为负类的正类样本数。

 这里的positive negative可以对应医院检查的阳性/阴性去理解，假负类就是本来人家是正类，你给人家预测成负类了，所以这个是负类不是真的，是假的，所以叫假负类，就比如你要检测别人是否患病，正类就是患病了，但是实际上人家患病了，预测成没患病，这个就是假的没患病，没给人家检测出来，是大问题。

2.准确率（Accuracy）

准确率是分类正确的样本数占总样本数的比例。它是最直观的性能指标。计算公式为：

像正的被预测成正的，负的被预测成负的，这就叫预测正确，分类正确，所以准确率就是这样，当然也可以写的正式一点

3.召回率（Recall）

        做机器学习的，肯定听过召回率，但是光听这个名字，别人谁能知道这是啥意思，所以要介绍它的另一个名字 <查全率>

        查找全面性的比率，强调的是模型识别目标类别的完整性。也就是说，它衡量的是在所有真实正类样本中，有多少被模型正确地识别出来了。

        英文是recall，我也不懂外国人怎么理解这个recall，如果直译，我是真的猜不透，除非看定义，看了也忘。所以用查全率去记忆，我举例子说：

1. 金融欺诈检测

在金融行业，检测欺诈行为是非常关键的任务。假设有一个模型用来识别信用卡交易中的欺诈行为。

• 数据集：假设有1000次信用卡交易，其中有50次是欺诈交易。
• 模型预测：模型成功识别出了45次欺诈交易，但漏掉了5次。
• 查全率：查全率为