**為正樣本
**為負樣本
標記為正樣本
tp (true positive)
fn (false negative)
標記為負樣本
fp (false positive)
tn (true negative)
accuracy：a=(tp+tn)/(tp+fn+fp+tn)
precision：p=tp/(tp+fp)
recall：r=tp/(tp+fn)
f1-score：2/(1/p+1/r) = 2pr/(p+r)
accuracy也就是我們中文說到的：準確率，定義為：**結果正確的樣本個數佔樣本總數的概率。accuracy是最常見也是最基本的評價指標。但在資料不平衡的情況下，評價效果很差。舉個例子：
100個樣本中，99個為負例，1個為正例，分類器只需要把所有的樣本標記為負例，準確率就高達99%，可是該模型卻是非常差勁的，因為其基本不具有分類效果，在下面的標準中我們會對該評價進行糾正
precision就是我們中文說到的：精確率，在資訊檢索領域也被稱為查準率，定義為：在**為正的樣本中，有多少是真正的正樣本。在上面的例子中，精確率為0。
recall就是我們中文說到的：召回率，在資訊檢索領域也被稱為查全率，定義為： 在標記為正的樣本中，有多少被**為正。在上面的例子中，召回率為0。
f1值是對準確率和召回率的綜合考慮，因為只有在特定的情況下，我們才會只考慮乙個指標。比如在檢索系統中，使用者可能想得到更多的結果， 對匹配程度有較大的容忍度，那麼該模型的準確率就會比較小，但是召回率就非常大；而在罪犯評判系統中，我們可能希望，對真正有罪的人判刑，因此就要求該模型準確率非常大，召回率可以容忍。除了這些情況下，我們可能就希望準確率和召回率都比較令人滿意，f1值就可以對這兩個指標進行綜合，進而幫助我們進行模型的選擇。
roc：receiver operating characteristic curve，受試者工作特徵曲線，auc：the area under the roc curve
roc曲線是以true positive rate （真陽性率、靈敏度）為縱座標和 false positive rate（假陽性率、1-特異度）為橫座標繪製的，如圖乙個樣例：
一般來說，如果roc是光滑的，那麼基本可以判斷沒有太大的overfitting，曲線下的面積(auc)越大，或者說曲線更接近左上角（true positive rate=1， false positive rate=0），那麼模型就越理想，越好
prc：precision recall curve，精確率召回率曲線
prc曲線是以召回率為橫座標，準確率為縱座標繪製的，如圖乙個樣例：
一般來說，曲線下的面積(auc)越大，或者說曲線更接近右上角（precision=1， recall=1），那麼模型就越理想，越好；還有很重要的一點，該指標，在評價的過程中，既考慮了檢索結果的覆蓋度，又考慮了檢索結果的排序情況
該圖非常形象的表明了這一點，在繪圖的過程中，你對於檢索結果的pr值的計算，其實是將檢索結果中，正確文件的順序也考慮在內了，正確的文件，越靠前，那麼p-r曲線下面的面積就越大。
分類器評價指標
by the way,classic post like 分類指標準確率 precision 和正確率 accuracy 的區別 精度和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值，用來評價結果的質量。其中精度是檢索出相關文件數與檢索出的文件總數的比率，衡量的是檢索系統的查準率 召回率是指檢...
分類常用的評價指標
accuracy number of correct predictions total number of predictions 對於二元分類，也可以根據正類別和負類別按如下方式計算準確率 accuracy tp tn tp fp tn fn 其中，tp 真正例，tn 真負例，fp 假正例，fn...
分類器的評價指標
分類器的評價指標主要作用是根據應用場景的不同，來評價不同的分類器效能。比如，癌症診斷中，寧可錯判乙個未患病患者，也不能遺漏乙個真實癌症患者 食品檢測中卻不同，對於不合格的食品，盡可能的乙個不漏。而對於一般的影象分類，就需要總和考慮，哪一方面判斷錯了都是不好的。分類矩陣 分類目標只有兩類，計為正例 p...