召回率，准确率，F-score，ROC曲线，AUC值

Recall，Precision，F-score

针对二分类问题，
TP（True Positive）：将正类预测为正类
FN（False Negative）：将正类预测为负类
FP（False Positive）：将负类预测位正类
TN（True Negative）：将负类预测位负类

1. 准确率（Precision）= TP/（TP+FP）所有预测的正类中有多少真实标签为正样本
2. 召回率（Recall） = TP/（TP+FN）所有真实标签为正的样本有多少被预测为正

单独考虑Precision和Recall，都是值越大越好，如何综合考虑两个指标？–引入了F-score

当α=1时，就是F1-score，

ROC曲线

FPR（False Positive Rate） = FP/(FP + TN) 负样本中的错判率，负样本中有多少预测为正
TPR（True Positive Rate） = TP/(TP + FN) 正样本的正确预测率，正样本中有多少预测为正

最理想的情况下，TPR为1，FPR为0。

阈值：对于二分类问题，会指定一个阈值，预测值大于这个阈值归为正类，否则归为负类。
给定一个阈值，会计算出一组TP、FN、FP、TN，进而得到TPR、FPR。

例如：

• 阈值为0时，所有类都为正类，TN和FN为0，TPR和FPR都为1，对应上图的原点（0，0）。
• 阈值为1时，所有类都为负类，FP和TP为0，TPR和FPR都为0，对应图中点（1，1）。

如何画ROC曲线：将所有测试样本的概率值从大到小一次排序，依次将每个概率值设置为阈值，计算（FPR，TPR）坐标，再将所有的（FPR，TPR）以及（0，0）（1，1）连接起来，得到ROC曲线。
例如：

当阈值取值越多，ROC曲线越平滑。

AUC值

AUC (Area Under Curve) 为ROC曲线下的面积，

AUC值越大的分类器，正确率越高。