准确率、召回率、F-1值、ROC

1 混淆矩阵

如果我们用的是一个二分类模型，那么把预测情况和实际情况的所有结果进行两两组合，就会出现如下的混淆矩阵。

其中的核心概念如下，1代表正类、0代表负类：

• TP：若一个实例是正类，但是被预测成为正类，即为真正类(True Postive)
• TN：若一个实例是负类，但是被预测成为负类，即为真负类(True Negative)
• FP：若一个实例是负类，但是被预测成为正类，即为假正类(False Postive)
• FN：若一个实例是正类，但是被预测成为负类，即为假负类(False Negative）

2 准确率

预测正确的结果占总样本的百分比，其公式如下：(TP+TN)/(TP+TN+FP+FN)。

虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。举个简单的例子，比如在一个总样本中，正样本占90%，负样本占10%，样本是严重不平衡的。对于这种情况，我们只需要将全部样本预测为正样本即可得到90%的高准确率，但实际上我们并没有很用心的分类&