机器学习常用评价指标

本文主要讲述机器学习常用的评价指标，如精准率、召回率、精准度、P-R曲线，TPR、FPR、ROC、AUC等指标。

混淆矩阵

在机器学习分类当中，最为基础的应该就是混淆矩阵。

精确率：
Precision(也叫查准率)
其公式为：（TP）/（TP+FP）
在所有预测为正的结果中，预测正确的比例
召回率：
Recall、也叫查全率
其公式为：（TP）/（TP+FN）
在所有真实为正的样例中，被预测为正例的比例
P-R曲线：
定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的精准率和召回率，绘制P-R曲线

F1值：
公式：（2PR）/（P+R）

TPR:
真正例率，与召回率相同
公式：（TP）/（TR+FN）

FPR：
假正例率
公式：（FP）/（TN+FP）

ROC，受试者工作特征曲线
根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的TPR和FPR，绘制ROC曲线。

AUC：
ROC曲线下的面积