二分类问题评价指标

1. 分类情况：

针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.

(1)若一个实例是正类并且被预测为正类，即为真阳性(True Postive TP)

(2)若一个实例是正类，但是被预测成为负类，即为伪阴性(False Negative FN)

(3)若一个实例是负类，但是被预测成为正类，即为伪阳性(False Postive FP)

(4)若一个实例是负类，但是被预测成为负类，即为真阴性(True Negative TN)

TP:正确的肯定数目

FN:漏报，没有找到正确匹配的数目

FP:误报，没有的匹配不正确

TN:正确拒绝的非匹配数目

2. 准确率ACC

ACC = (TP + TN) / (P + N)

即：(真阳性+真阴性) / 总样本数

3. 精准率和召回率

精确率 ：P = TP / (TP + FP)

召回率： R = TP / (TP + FN)

F1: 精确率和召回率的调和平均。 即： 2/F1 = 1/P + 1/R

直观上来解释精确率和召回率。

精确率表示我现在有了这么的预测为正的样本，那么这些样本中有多少是真的为正呢？

召回率表示我现在预测为正的这些值中，占了所有的正的为正的样本的多大比例呢？

不同的分类问题，对精确率和召回率的要求也不同。

例如：假币预测，就需要很高的精确率，我需要你给我的预测数据具有很高的准确性。

肿瘤预测就需要很高的召回率。“宁可错杀三千，不可放过一个”。