分类评价指标小结P，R，Sn，Sp，F1，MCC

二分类一般使用Acc，Sn，Sp，MCC等指标。

Sn， Sp，Acc

Sensitivity  Sn = TP /（TP+FN）
Specificity  Sp = TN / (TN+FP)
Accuracy    Acc = （TP+TN）/（TP+FN+TN+FP）

MCC（Matthews correlation coefficient）

MCC是应用在机器学习中，用以测量二分类的分类性能的指标，该指标考虑了真阳性，真阴性，假阳性和假阴性，通常认为该指标是一个比较均衡的指标，即使是在两类别的样本含量差别很大时，也可以应用它。
MCC本质上是一个描述实际分类与预测分类之间的相关系数，它的取值范围为[-1,1]，取值为1时表示对受试对象的完美预测，取值为0时表示预测的结果还不如随机预测的结果，-1是指预测分类和实际分类完全不一致。

三分类简单预测可使用precision，recall，F1.

在三分类预测中，或者严谨的论文中，三分类的评价指标一般有多个，例如，micro_f1,macro_f1,等。【其他的暂时忘记了，有一篇详细介绍多分类指标的论文，找到再标注上】

查准率P ，查全率R

查准率亦称为“准确率”，查全率亦称为“召回率”

对于多分类的P，R计算，以三类A，B，C为例。
将A看作1类，BC看作0类，计算Pa，Ra。
将B看作1类，AC看作0类，计算Pb，Rb。
将C看作1类，AB看作0类，计算Pc，Rc。

P =（Pa + Pb + Pc）/3
R = （Ra + Rb + Rc）/3

更多类别时，以此类推。

sklearn.metrics.precision_score
sklearn.metrics.recall_score
sklearn.metrics.confusion_matrix(label, predict)

这三个sklearn函数，在计算多分类时，不可以直接使用，会出错！！！
一般三分类的可以通过混淆矩阵计算，但随着类别数增大，使用混淆矩阵会很麻烦，暂时还没找到可以使用的库函数。

metrics.multilabel_confusion_matrix

这个函数可以分别计算每个类别的二分类矩阵，即A=1，BC=0的混淆矩阵。

P-R曲线

F1:micro_f1,macro_f1

micro-F1： 计算方法：先计算所有类别的总的Precision和Recall，然后计算出来的F1值即为micro-F1； 使用场景：在计算公式中考虑到了每个类别的数量，所以适用于数据分布不平衡的情况；但同时因为考虑到数据的数量，所以在数据极度不平衡的情况下，数量较多数量的类会较大的影响到F1的值；marco-F1： 计算方法：将所有类别的Precision和Recall求平均，然后计算F1值作为macro-F1； 使用场景：没有考虑到数据的数量，所以会平等的看待每一类（因为每一类的precision和recall都在0-1之间），会相对受高precision和高recall类的影响较大

F1相关内容引用此链接，讲解得很全面。F1详细介绍

其他评价指标

1.用于不平衡数据集分类的G-mean

G-mean = √(TP/(TP+FN)*TN/(TN+FP))
       = √(Sn*Sp）

（更新日期：20210508，随时补充）