混淆矩阵评价指标_机器学习常见的几种评价指标：精确率（Precision）、召回率（Recall）、F值（F-measure）、ROC曲线、AUC、准确率（Accuracy）...

主要内容：机器学习中常见的几种评价指标，它们各自的含义和计算(注意本文针对二元分类器！)

1、混淆矩阵

True Positive(真正，TP)：将正类预测为正类的数目

True Negative(真负， TN)：将负类预测为负类的数目

False Positive(假正，FP)：将负类预测为正类的数目(Type I error)

False Negative(假负，FN)：将正类预测为负类的数目(Type II error)

2、精确率(Precision)

精确率表示被分为正例的实例中实际为里正例的比例。

3、召回率(Recall)

召回率表示所有实际为正例的实例被预测为正例的比例，等价于灵敏度(Sensitive)

4、综合评价指标(F-Measure)

Precision和Recall有时会出现矛盾的情况，为了综合考虑他们，我们常用的指标就是F-Measure，F值越高证明模型越有效。

F-Measure是Precision和Recall的加权调和平均。

当参数α=1时，就是我们最常见的F1。

5、ROC曲线和AUC(Area Under Curve)