二元分类器性能计算公式(全网最全)

混淆矩阵

  混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。在人工智能中，混淆矩阵(confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。下表是一个常用的二元分类器的混淆矩阵。

混淆矩阵		预测标签
		负类0	正类1
真实标签	负类0	TN	FP
	正类1	FN	TP

表中，$TN$表示预测值和实际值均为$0$类的样本数；$FP$表示预测值为$1$类，但实际值为$0$类的样本数；$FN$表示预测值为$0$类，但实际值为$1$类的样本数；$TP$表所示预测值和实际值均为$1$类的样本数。总样本数$T=TN+FP+FN+TP$。

1.准确率$Accuracy$

$$Accuracy=\frac{TN+TP}{TN+FP+FN+TP}$$表示所有正确分类的样本数与总样本数的比值。

2.精确率$Precision$

$$Precision=\frac{TP}{TP+FP}$$预测标签为正类1的样本中，预测正确的比值。

3.灵敏度$Sensitivity$=召回率$Recall$=真阳率$TPR$

$$Sensitivity=Recall=TPR=\frac{TP}{TP+FN}$$真实标签为正类1的样本中，预测正确的比例。

4.特异度$Specificity$

$$Specificity=\frac{TN}{TN+FP}$$真实标签为负类0的样本中，预测正确的比例。

5.假阳率$FPR$

$$FPR=\frac{FP}{TN+FP}$$真实标签为负类0的样本中，预测错误的比例。

6.马修斯相关系数$MCC$

全称：Matthews correlation coefficient
$$MCC=\frac{TP\times TN-FP\times FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$$该指标考虑了真阳性、真阴性和假阳性和假阴性，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。

7.F1分数(H-mean值)

$$\frac{2}{F_1}=\frac{1}{Precision}+\frac{1}{Recall}$$转化为：$$F_1=\frac{2\times Precision\times Recall}{Precision+Recall}+\frac{2\times TP}{2TP+FP+FN}$$$F_1$为$Precision$和$Recall$的调和平均值。越大越好。

8.ROC曲线

ROC的全称是“受试者工作特征”（Receiver Operating Characteristic）曲线，一般以假阳率为横坐标，真阳率为纵坐标，随着阈值的不断变化绘制的一条曲线。如下图：

图中，阴影部分面积的为AUC值>0.5。该值越大，说明分类效果越好；