sklearn--分类器评估指标，损失函数

分类器评估指标
1.精确率
accuracy_score函数计算分类准确率：返回被正确分类的样本比例或者数量
当多标签分类任务中，该函数返回子集的准确率，对于给定的样本，如果预测得到的标签集合与该样本真正的标签集合吻合，那么subset accuracy=1否则为零

import numpy as np
from sklearn.metrics import accuracy_score

2.混淆矩阵（confusion matrix）或叫混淆表（table of confusion）

from sklearn.metrics import confusion_matrix

3.ROC曲线
ROC空间（又叫sensitivityVS1-sensitivity plot）以TPR（又叫sensitivity）作为T轴，
FPR(1-sensitivity)作为X轴，构成的一个二维坐标空间，ROC空间描述了了TP和FP之间做折中权衡的原理。点集在左上方说明情况较好，右下方表示更差
在二元分类问题中，每个样本实例的类别预测通常是基于一个连续的随机变量X做出的，这个从样本实例中计算出的随机变量X被称为score，给定一个阈值参数T,X>T则为positive类服从F1(X)，X<T则称为negative类,服从F2(X)分布。所以TPR和FPR就是有值区间的累次积分。这时候就可以把TPR和FPR看作为关于积分限t的函数，构成（TPR(t)，FPR（t））的点集，通过改变t的范围，得到ROC曲线