机器学习中的评价方法总结（正确率，精确率，召回率，F1值，ROC曲线，AUC面积，Loss）

机器学习中的评价指标

对于一个模型的好坏，常常采用一系列指标来评价。往往评价指标分数越高，则反映模型更准确，具有更好的泛化性等。
评价指标可以对于分类任务中的某一类使用，看模型是否在该类有较好的表现。
也可以对整个分类任务，用于反映模型的整体效果

混淆矩阵

介绍评价指标就不得不说一下混淆矩阵了。混淆矩阵是在分类问题中反映模型判断正误的表格。以二分类为例，多分类类似。

真实值\预测值	Positive	Negative
True	TP	FN
False	FP	TN

以上两种写法都可以
其中各项指标含义如下：
TP：真正类，是指真实标签为1，预测标签的值也为1。
FN：假负类，真实标签为1，预测标签值为0。
FP：假正类，真实标签为0，预测标签值为1。
TN：真负类，真实标签为0，预测标签为0。
以上就是在计算各项指标前需要统计的数据。

正确率（准确率、Accuracy）

正确率是指：反映一个模型能预测正确的概率。反映模型的正确程度，其公式如下：
$$Accuracy\_rate=\frac{TP+TN}{TP+FP+FN+TN}$$
分子为：真正类与真负类的个数和。
分母为：所有情况的总和。
可以绘制的图像为总体的正确率图像，横轴为迭代步数，纵轴为正确率。同时可以绘制Loss图像。
缺点
当数据十分不均衡的情况下（正负例比例为：10000:1）。将所有结果预测为某一类，即可得到很高的正确率，但模型有误。

精确率（Precision）

精确率：用于反映模型预测实例中的精确程度，即预测为正的样本中有多少是真正的正样本。
体现模型对负样本的区分能力。
其公式如下：
$$Precision\_rate=\frac{TP}{TP+FP}$$
分子为TP是样本为正预测为正的样本个数。
分母为TP+FN，表示预测结果中预测为正的个数总和。
可以绘制正确率图像，横轴为迭代步数，纵轴为正确率图像。

召回率（Recall）

召回率：用于反映模型的敏感程度，即正确的样本中有多少被预测为正确的样本。
体现模型对正样本的识别能力。
其公式如下：
$$Recall\_rate=$$