混淆矩阵+F1score+ROC曲线+AUC

评价指标1

以下四个可以这样理解，第一个字母代表你预测的对错T/F，第二个字母代表你预测的是正还是负P/N。例如TP=你预测的是正的，且预测对了。
真正例/真阳性(TP)：预测为正，实际为正，预测对了。
真负例/真阴性(TN)：预测为负，实际为负，预测对了。
假正例/假阳性(FP)：预测为正，实际为负，预测错了。
假负例/假阴性(FN)：预测为负，实际为正，预测错了。

所谓正负指的是，对某一类，你认为它是这一类或不是，也就是说每一类都需要计算一遍这四个指标。

例子

比如三类问题
你预测的：

1	2	3	1	2	3	1	2	3	1

实际分类：

1	1	2	2	2	3	3	3	3	3

对于1类：
TP = 1, TN = 5, FP = 3, FN = 1
对于其它两类同理

评价指标2

准确率(accuracy)：(TP + TN) / (TP + TN + FP + FN)，分母就是你预测的全部数据P’+N’
精准率(precision)：TP / (TP + FP)，分母就是你预测的全部正数据P’
召回率(recall)：TP / P，真实数据中全部正数据

其中P’和N’表示你预测的正负类，P和N表示真实正负类。往往预测数据与真实数据数量相等，P’和P不需要区分，但如果预测数量与真实数量不等，则需要区分。

例子

接着上面的例子：
总的准确率：
accuracy = 4 / 10 = 0.4
对于1类：
precision = 1 / (1 + 3) = 0.25
recall = 1 / 2 = 0.5
其余两类同理

混淆矩阵

就是把上面几个值组合一下显示到矩阵中

真实\预测	正	负	合计
正	TP	FN	P