机器学习分类器性能指标总结（附类别不平衡问题研究）

一、ROC曲线

（1）定义
ROC： 接收者操作特征(receiveroperating characteristic),roc曲线上每个点反映着对同一信号刺激的感受性。常用于二分类问题中的模型比较，主要表现为一种真正例率 (TPR) 和假正例率 (FPR) 的权衡。
横轴：负正类率(false postive rate FPR)特异度，划分实例中所有负例占所有负例的比例；(1-Specificity)，FPR越大，预测正类中实际负类越多
纵轴：真正类率(true postive rate TPR)灵敏度，Sensitivity(正类覆盖率)，TPR越大，预测正类中实际正类越多。
（2）分析
针对一个二分类问题，将实例分成正类(postive)或者负类(negative)。但是实际中分类时，会出现四种情况.

1、若一个实例是正类并且被预测为正类，即为真正类(True Postive TP)
2、若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN)
3、若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)
4、若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)

由上表可计算得到：
1、真正类率(True Postive Rate)TPR: TP/(TP&#