机器学习--评价指标：召回率、准确率、ROC曲线、AUC、PR曲线

1. 混淆矩阵：

TP, FP, TN, FN

True Positives,TP：预测为正样本，实际也为正样本的特征数
False Positives,FP：预测为正样本，实际为负样本的特征数
True Negatives,TN：预测为负样本，实际也为负样本的特征数
False Negatives,FN：预测为负样本，实际为正样本的特征

2 准确率(Precision)

准确率描述的是预测为正的人当中有多少预测正确了, 计算公式如下：

3 召回率(Recall)

召回率描述的是正样本中被预测准确的概率，也就是真正为正的人当中有多少被预测到了。

4 ROC曲线

ROC曲线常用于二分类问题中的模型比较，主要表现为一种真正例率 (TPR) 和假正例率 (FPR) 的权衡。
x轴为假阳性(FPR)，y轴为真阳性(TPR)。

5 AUU：ROC曲线下的面积

ROC曲线围成的面积 (即AUC)可以解读为：从所有正例中随机选取一个样本A，再从所有负例中随机选取一个样本B，分类器将A判为正例的概率比将B判为正例的概率大的可能性。可以看到位于随机线上方的点(如图中的A点)被认为好于随机猜测。在这样的点上TPR总大于FPR，意为正例被判为正例的概率大于负例被判为正例的概率。

6 PR曲线

PR曲线是准确率和召回率的点连成的线。
PR曲线展示的是Precision vs Recall的曲线，PR曲线与ROC曲线的相同点是都采用了TPR (Recall)，都可以用AUC来衡量分类器的效果。不同点是ROC曲线使用了FPR，而PR曲线使用了Precision，因此PR曲线的两个指标都聚焦于正例。类别不平衡问题中由于主要关心正例，所以在此情况下PR曲线被广泛认为优于ROC曲线。
参考链接
[1] https://www.imooc.com/article/48072
[2] https://blog.csdn.net/bra_ve/article/details/82461378