准确度、精确度、召回率、ROC曲线、AUC值

在介绍这些概念之前，先来看一下混淆矩阵：

TP: True Positive,将正类预测类正类的样本数量（预测正确）
FN: False Negtive,将正类预测为负类的样本数量（type II error, 漏报）
FP: False Positive,将负类预测为正类的样本数量（type I error）
TN: True Negtive,将负类预测为负类的样本数量（预测正确）

• 准确度：准确度表示分类正确的样本数所占比例

$$ACC=\frac{TP+TN}{TP+TN+FP+FN}$$

• 精确度、精度：该概念是针对“预测结果”而言的。表示预测为正类的样本中有多少是真的正样本

$$P=\frac{TP}{TP+FP}$$

• 召回率：该概念是针对“原始样本”而言的。表示样本中的正例有多少被分类正确了