分类算法的评价标准

1、混淆矩阵

2、常用术语

（1）True Positives,TP：预测为正样本，实际也为正样本的特征数

（2）False Positives,FP：预测为正样本，实际为负样本的特征数（错预测为正样本了，所以叫False）

（3）True Negatives,TN：预测为负样本，实际也为负样本的特征数

（4）False Negatives,FN：预测为负样本，实际为正样本的特征数（错预测为负样本了，所以叫False）

3、评价指标

（1）灵敏度（sensitivity）=召回率（recall）：TPR = TP/（TP+FN）

（2）特指度（specificity）：TNR = TN/（TN+FP）

（3）精确度（Precision）：P = TP/（TP+FP）

（4）错误率（error rate）=（FP+FN）/（P+N）

（5）正确率（accuracy）=（TP+TN）/（P+N）

4、ROC曲线和PR曲线

参考：http://blog.csdn.net/xiahouzuoxin/article/details/43165253

每一条ROC曲线和PR曲线都代表一个分类算法，曲线上每一个点都代表一个确定阈值theta时的评价指标（比如：recall和precision）