（精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性等 ROC指标

（精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性等 ROC指标_真阳性率_三世的博客-CSDN博客

准确率（Accuracy）：Acc = ( TP + TN ) / ( P +N )

精确率( precision )/（查准率）：TP / ( TP+FP ) = TP / P  

敏感性(Sensitivity)/召回率（recall）/（查全率）：TP / (TP + FN ) = TP / T

真阳性率（True positive rate）：TPR = TP / ( TP+FN ) = TP / T  （敏感性 sensitivity）

真阴性率（TNR：true negative rate）：TNR= TN / (TN+FP) = TN/F（特异性：specificity），描述识别出的负例占所有负例的比例 

假阳性率（False positive rate）：FPR = FP / ( FP + TN ) = FP / F  

假阴性率 (False Negative Rate）：FNR = FN /（TP + FN）= FN / T

F-measure：2*recall*precision / ( recall + precision )

ROC曲线：FPR为横坐标，TPR为纵坐标

PR曲线：recall为横坐标，precision 为纵坐标

=====概念解释=============

敏感性 Sensitivity
敏感性又称真阳性率，就是发病之后，你的诊断方法对疾病的敏感程度（识别能力）。

敏感性越高，漏诊概率越低。

特异性 Specificity
特异性又称真阴性率，不发病（我们这里称之为健康）的特征是有别于发病的特征的，我们利用这些差异避免误诊，那么诊断标准对于这些差异利用的如何就用特异性来表示。

特异性越高，确诊概率越高。
========================

从这个表格中可以引出一些其它的评价指标： 
- ACC：classification accuracy，描述分类器的分类准确率 
计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN) 
- BER：balanced error rate 
计算公式为：BER=1/2*(FPR+FN/(FN+TP)) 
- TPR：true positive rate，描述识别出的所有正例占所有正例的比例 
计算公式为：TPR=TP/ (TP+ FN) 
- FPR：false positive rate，描述将负例识别为正例的情况占所有负例的比例 
计算公式为：FPR= FP / (FP + TN) 
- TNR：true negative rate，描述识别出的负例占所有负例的比例 
计算公式为：TNR= TN / (FP + TN) 
- PPV：Positive predictive value 
计算公式为：PPV=TP / (TP + FP) 
- NPV：Negative predictive value 
计算公式：NPV=TN / (FN + TN) 
其中TPR即为敏感度（sensitivity），TNR即为特异度（specificity）。