机器学习常见评价指标：AUC、Precision、Recall、F-measure、R方

AUC

TruePositiveRate=真正例(真正例+假负例)
FalsePositiveRate=假正例(假正例+真负例)
“True Positive Rate”作为纵轴，以“False Positive Rate”作为横轴，画出ROC曲线，ROC曲线下的面积，即为AUC的值
TP:将正类预测为正类数
FP:将负类预测为正类数
FN:将正类预测为负类数
TN:将负类预测为负类数

Precision

TP/(TP+FP)

Recall

TP/(TP+FN)

F-measure

（2 * Precision * Recall)/(Precision+Recall)

R方

R-squared = 1 - RSS/TSS
R-squared = 1-sum[(真实值-预测值)**2]/sum[(真实值-真实值的均值)**2]

TSS是执行回归分析前，响应变量固有的方差。
TSS：sum[(真实值-真实值的均值)**2]

RSS残差平方和就是，回归模型不能解释的方差。
RSS：sum[(真实值-预测值)**2]