机器学习分类问题常用评判指标

1.分类问题
1.混淆矩阵
$\left[\begin{array}{cc}TP& FP\\ & \\ FN& TN\\ & \end{array}\right]$
真正率：TPR=TP/(TP+FN)
假正率：FPR=FP/(FP+TN)
假负率：FNR=FN/(FN+TP)
真负率：TNR=TN/(TN+FP)

from sklearn.metrics import confusion_matrix

2.准确率
更多应用于均衡样本中
即正确预测的例子（正与负）除以总数
accuracy=(TP+TN)/(TP+FP+FN+TN)

from sklearn.metrics import accuracy_score

3.精确率
针对正样本预测结果
precision=TP/(TP+FP)

4.召回率
在实际正样本中预测，又称查全率
recall=TP/(TP+FN)

5.F1-score
召回率与精确率的调和
$F_1=\frac{2PrecisionRecall}{Precision+Recall}$

6.ROC曲线
横坐标为FPR，纵坐标为TPR
ROC曲线越接近左上角，预测效果越好，同时ROC较为光滑认为没有过拟合现象

FPR,TPR,_=sklearn.metrics.roc_curve(y_test,y_pred)

7.AUC（area under curve）
应用于不均衡样本
ROC曲线下面的面积，越接近1.0，预测效果越好

8.PR曲线
横坐标Precision，纵坐标Recall
基于情况选择指标，交叉时选择平衡点f1决定

Precision,recall,_=sklearn.metrics.precision_recall_curve(y_test,y_pred)

官网链接：https://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics

待补充。。。