准确率，错误率 精准率 召回率，ROC，AUC 的区别和联系

网上对于每个定义分别讲述的很深，但是很少又把他们联系起来的。

首先，所有的定义均来自下面的图，一定要理解好。

 

1  精准率和召回率，通常用在搜索的评价场合。

    精准率表示:应该被搜索到的而且实际也搜索出来的(TP)/所有搜索出来的(TP+FP)

    召回率表示:应该被搜索到的而且实际也搜索出来的(TP)/所有应该被搜索到(TP+FN)

而 TN 表示不应该被搜索到实际也没搜索出来的，搜索系统一般不关心，所以没有纳入这个指标。

P和R指标有的时候是矛盾的,综合考虑精确率(precision)和召回率(recall)这两个度量值。很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。

综合评价指标(F-Measure)是Precision和Recall加权调和平均：

当参数a=1时，就是最常见的F1了：

 

2  准确率和错误率。这一般是分类器采用的指标。而且不但二分类可以用，也可以扩充到多分类的情况。

        准确率=准确分类个数/总体=TP+TN/TP+TN+FN+FP

        错误率=错误分类个数/总体=FN+FP/TP+TN+FN+FP

3 ROC。

      上述方法有个缺点 还需要对预测概率设分类阔值，比如预测概率大于|萄值为正例，反之为负例这使得模型多了一个超参数，并且这个超参数会影 响模型的泛化能力 。

    ROC的方法没有这样的限制，ROC实质是把所有的分类阈值从0-1都在曲线上展示了一下，然后就可以看出整个模型的好坏。

下面是ROC绘制的一个实例。AUC其实就是曲线的面积，越大表示模型越好。

    其一是真正类率(true positive rate ,TPR), 计算公式为TPR=TP/ (TP+ FN)，即敏感度，刻画的是分类器所识别出的 正实例占所有正实例的比例。另外一个是假正类率(false positive rate, FPR),计算公式为FPR= FP / (FP + TN)，计算的是分类器错认为正类的负实例占所有负实例的比例，即特异度。还有一个真负类率（True Negative Rate，TNR），也称为specificity,计算公式为TNR=TN/ (FP+ TN) = 1 - FPR。

    其正例数为此部分里实际的正类数。也就是说，将逻辑回归得到的结 果按从大到小排列，倘若以前10%的数值作为阈值，即将前10%的实例都划归为正类，6180个。其中，正确的个数为4879个，占所有正类的 4879/14084*100%=34.64%，即敏感度；另外，有6180-4879=1301个负实例被错划为正类，占所有负类的1301 /47716*100%=2.73%,即1-特异度。以这两组值分别作为y值（敏感度）和x值（1-特异度），在excel中作散点图。得到ROC曲线如下(红色曲线与数据无关其只是一个参考，蓝色曲线是ROC曲线)：

 

参考 https://blog.csdn.net/abcd1f2/article/details/51862988

        https://baike.baidu.com/item/ROC曲线/775606?fr=aladdin