马修斯相关系数（简称：MCC； 全称：Matthews correlation coefficient）更适合类别不平衡问题的模型结果评价

一、举个例子

一般常见指标是F1-score、precision、recall、roc、auc、accuracy，但他们存在的最大问题是，没有考虑TN。
例如下面这个分类器，预测出21只是狗（其中18个TP，3个是FP），3只是猫（其中2个是FN、1个是TN）：

计算得到对应的精确率和召回率看起来貌似还不错的样子：

Precision = TP/(TP+FP) = 18/(18+3) = 0.86
Recall = TP/(TP+FN) = 18/(18+2) = 0.90
F1 = 2 * (Precision*Recall/Precision+Recall) = 0.88

但实际上，如果使用马修斯相关系数来计算，其性能就差强人意了：

需要注意的是，在上面的计算公式中，分母中任意一对括号相加之和如果为0，那么整个MCC的值就为0。

在python中，scikit-learn模块包含MCC计算的函数

 from sklearn.metrics import matthews_corrcoef
 y_true = [+1, +1, +1, -1]
 y_pred = [+1, -1, +1, +1]
 matthews_corrcoef(y_true, y_pred)

Where:
s = number of samples
c = number of samples correctly predicted
p = number of times class k was predicted
t = number of times class k really/truly occurred
K = number of classes

二、参考文档

• https://cloud.tencent.com/developer/article/1975817
• https://qinqianshan.com/machine_learning/sklearn/clustering-performance-evaluation/
• https://www.cnblogs.com/qiu-hua/p/14905473.html