分类评价指标

                                             预测

                                  1                             0

实际            1              TP                          FN

                    0               FP                        TN

 

 

真正类率(True Positive Rate , TPR)【灵敏度(sensitivity)】：正样本预测结果数/正样本实际数，TPR = TP /(TP + FN)

假负类率(False Negative Rate , FNR) ：即被预测为负的正样本结果数/正样本实际数，FNR = FN /(TP + FN) 

假正类率(False Positive Rate , FPR) ：即被预测为正的负样本结果数/负样本实际数，FPR = FP /(FP + TN) 

真负类率(True Negative Rate , TNR)【特指度(specificity)】：即负样本预测结果数/负样本实际数，TNR = TN /(TN + FP) 

准确率（accuracy）:预测对的占比，（TP+TN）/(P+N)

召回率（recall）:实际1中占比，TP/(TP+FN)

精确率:预测1中占比，（precision）=TP/P【linkworld准确率】

F-Score：2*precision*recall/(precision+recall)

ROC曲线：横坐标（FPR）,纵坐标（TPR）

                 

                  点(0,1)：FPR=0, TPR=1. -----> 完美分类器；

                  点(1,0)：FPR=1, TPR=0. -----> 完全错误的分类器；

                  点(1,1)：分类器预测所有的样本都是正例；

                  点(0,0)：分类器预测所有的样本都是负例；

转载于:https://www.cnblogs.com/hapyygril/p/9871856.html