分类结果评价指标

1. 混淆矩阵
   在二分类的模型中，混淆矩阵把预测情况与实际情况的所有结果进行组合，形成了真正 (true positive)、假正 (false positive)、真负 (true negative) 和假负 (false negative) 四种情形，分别由TP、FP、TN、FN 表示（T代表预测正确，F代表预测错误）。

from sklearn.metrics import confusion_matrix
y_true = [2, 0, 2, 2, 0, 1]
y_pred = [0, 0, 2, 2, 0, 2]
confusion_matrix(y_true, y_pred)

2. 准确率
   准确率的定义是预测正确的结果占总样本的百分比，其公式如下：
   准确率=(TP+TN)/(TP+TN+FP+FN)

3. 精确率
   精准率（Precision）又叫查准率，它是针对预测结果而言的，它的含义是在所有被预测为正的样本中实际为正的样本的概率，意思就是在预测为正样本的结果中，我们有多少把握可以预测正确，其公式如下：
   精准率=TP/(TP+FP)

4. 召回率
   召回率（Recall）又叫查全率，它是针对原样本而言的，它的含义是在实际为正的样本中被预测为正样本的概率，其公式如下：
   召回率=TP/(TP+FN)

5. F1 Score
   F1 score是分类问题的一个衡量指标，一些多分类问题的机器学习竞赛，常把F1 score作为最终评测的方法。它是精确率和召回率的调和平均数，取值0-1之间。
   F1 score认为召回率和精确率同样重要，而F2认为召回率的重要程度是精确率的2倍，F0.5则认为召回率的重要程度是精确率的一半。

6. P-R曲线
   P-R曲线，就是查准率(precision)与查全率(recall)的曲线，以查准率作为纵轴，以查全率作为横轴，其中查准率也称为准确率，查全率称为召回率

7. ROC
   ROC曲线与P-R曲线很类似，我们根据学习器的预测结果对样例进行排序，按此顺序逐个把样本作为正例进行预测，每次计算其横纵坐标的值，就可以得到ROC曲线，但是与P-R曲线的不同是，ROC曲线横轴使用的是“假正例率”，纵轴使用的是“真正例率”

8. AUC
   AUC（Area under curve）是机器学习常用的二分类评测手段，直接含义是ROC曲线下的面积