准确率(Auccary)，精确率(Precision)，召回率(Recall)，F1，ROC，AUC说明_auc准确率

符号解释：

        TP  ：  所有被正确预测为正的样例数（真阳）（正 正）

        FP  ：  所有被错误预测为正的样例数（假阳）（负 正）

        TN  ：  所有被正确预测为负的样例数（真阴）（负 负）

        FN  ：  所有被错误预测为负的样例数（假阴）（正 负）

准确率：所有预测正确结果（无论正例负例）占据所有样例的比重。

Accurary = (TP + TN) / (TP + TN + FP + FN)

精确率（查准率）：所有被正确预测为正的样例占所有被预测为正的样例的比重。

Precision = TP / (TP + FP)

召回率（查全率）：所有被正确预测为正的样例占所有实际为正的样例的比重。

Recall = TP / (TP + FN)

F1（H_mean）:F1值为算术平均数除以几何平均数，简单来说，F1越大，precision和recall的值越大，即F1越大越好。

2/F1 = (1/Prescion) + (1/Recall)

转换为：

F1 = 2TP  /  (2TP + FP + FN)

ROC曲线：接收者操作特征曲线，反映敏感性和特异性连续变量的综合指标，曲线上的每个点反映着对于同一信号刺激的感受性。理想情况为TPR接近1，FPR接近0，如图中（0，1）点。，曲线的弯折度越高，即越偏离45°对角线越理想。

AUC值：AUC为ROC曲线下的面积，AUC=1为完美分类器，大师绝大多数情况不会出现完美分类器，AUC = 0.5为随机猜想（类似抛硬币），AUC<0.5比随机猜想差，若总是出现反向预测则优于随机猜想，总结为AUC在大于0.5的情况下越大则分类正确率越高；AUC在低于0.5的情况下，若总能持续反预测，则优于随机猜想，在预测结果上可大于0.5概率。

    

参考链接：

    https://blog.csdn.net/u013063099/article/details/80964865