分类评测标准

1.查准率(precision)和查全率(recall)

precesion:查准率，即在检索后返回的结果中，真正正确的个数占整个结果的比例

recall:查全率，即在检索结果中真正正确的个数占整个数据集（检索到和未检索到的）中真正正确个数的比例。

FN:False Negative,被判定为负样本，但实际上是正样本。

FP:False Positive, 被判定为正样本，但实际上是负样本。

TN:True Negative: 被判定为负样本，实际上也是负样本。

TP:True Positive:被判定为正样本，实际上也是正样本。

precision=TP/(TP+FP)--------------------判对的正例占整个被判为正例的集合的比例

recall=TP/(TP+FN)-------------------------判对的正例占整个正例集的比例

PR曲线:   横轴为recall,纵轴为precision

2.综合评价指标(F-score)

F-score是Precision和Recall加权调和平均：

当参数B=1时，就是最常见的F1也就是：

3.ROC 曲线

纵轴:真正率（击中率）true positive rate,TPR，称为灵敏度。所有实际正例中，正确识别的正例比例。

TPR=TP/(TP+FN)

横轴：假正率（虚报率）false positive rate,FPR,称为特异度。所有实际负例中，错误的识别为正例的负例比例。

FPR=FP/(FP+TN)

4.AUC值

AUC的值就是计算出ROC曲线下面的面积

方法一：

统计一下所有的 M×N(M为正类样本的数目，N为负类样本的数目)个正负样本对中，有多少个组中的正样本的score大于负样本的score。当二元组中正负样本的 score相等的时候，按照0.5计算。然后除以MN。实现这个方法的复杂度为O(n^2)。n为样本数（即n=M+N）

方法二：

它也是首先对score从大到小排序，然后令最大score对应的sample 的rank为n，第二大score对应sample的rank为n-1，以此类推。然后把所有的正类样本的rank相加，再减去正类样本的score为最 小的那M个值的情况。得到的就是所有的样本中有多少对正类样本的score大于负类样本的score。然后再除以M×N。即：

 AUC=((所有的正例位置相加)-M*(M+1))/(M*N)

4：平均准确率（MAP）

单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的平均准确率的平均值。 MAP 是反映系统在全部相关文档上性能的单值指标。系统检索出来的相关文档越靠前(rank 越高)，MAP就可能越高。如果系统没有返回相关文档，则准确率默认为0。

5:accuracy

正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。