P | N | 合计 | |
T | TP | FN | P |
F | FP | TN | N |
合计 | P’ | N’ | P+ N |
混淆矩阵的四个术语：真正例 / 真阳性（TP），真负例 / 真阴性（TN），假正例 / 假阳性（FP）、假负例 / 假阴性（FN）。
2、分类器涉及的常见评估度量：
度量 | 公式 |
准确率 | （TP+TN）/（P+N） |
错误率 | （FP+FN）/（P+N） |
真正例率 / 召回率 / 查全率 | TP / (TP+FN） |
真负例率 | TN / N |
查准率 / 精度 | TP / P’ = TP / (TP+FP） |
假正例率 | FP / N = FP / (FP+TN） |
F1 分数 | 2*（查准率查全率）/ （查准率+查全率）=2TP /(P+N+TP-TN) |
3、ROC 曲线
横轴：假正例率 FPR=FP / N = FP / (FP+TN）
纵轴：真正例率 TPR=TP / (TP+FN）
1)、概率分类器对10个测试样本返回的预测概率值的排序表
ROC 曲线之下的那部分面积值就是模型的 AUC 值。
如果模型真的很好，随着有序列表向下移动，开始会遇到真正例样本，曲线将陡峭的从 0 开始上升；之后 ，遇到的真正例样本越来越少，假正例样本越来越多，曲线变得平缓趋于水品。
参考链接１参考链接二
