准确率（Accuracy）、召回率（Recall）、精确率（Precision）_准确率 召回率 精度

一、TP、TN、FP、FN 的概念

TP： 预测正确的正类
TN：预测正确的负类
FP：预测错误的正类（就是把负类当正类）
FN：预测错误的负类（就是把正类当负类）

---

举个栗子：假如把人脸当作正类，非人脸当作负类

二、准确率、精确率（精准率）、召回率、F1值

1. 准确率（accuracy）
即预测正确的数量（包括正确的正类和负类）占总数的比例

2. 精确率（precision）
查准率，正确预测为正类的数量占预测为正类的数量（注意包括了把负类当正类的情况）的比例。这个主要是从正类单方面考虑结果，兼顾了部分预测错误的，含有预测的准确性的意思（个人理解）

3. 召回率（recall）
查全率，就是正确预测为正类的数量占真正的正类总数量的比例，即在正类里面，我找回了多少正正类的意思

4. F1值
F1对Precision和Recall都进行了加权

把precision 和reacall 代入有：

三、ROC曲线、AUC值

1.ROC曲线。接收者操作特征曲线（receiver operating characteristic curve），是反映敏感性和特异性连续变量的综合指标，ROC曲线上每个点反映着对同一信号刺激的感受性。下图是ROC曲线例子

横坐标：1-Specificity，伪正类率(False positive rate，FPR，FPR=FP/(FP+TN))，预测为正但实际为负的样本占所有负例样本的比例；

纵坐标：Sensitivity，真正类率(True positive rate，TPR，TPR=TP/(TP+FN))，预测为正且实际为正的样本占所有正例样本的比例。即召回率

在一个二分类模型中，假设采用逻辑回归分类器，其给出针对每个实例为正类的概率，那么通过设定一个阈值如0.6，概率大于等于0.6的为正类，小于0.6的为负类。对应的就可以算出一组(FPR，TPR)，在平面中得到对应坐标点。随着阈值的逐渐减小，越来越多的实例被划分为正类，但是这些正类中同样也掺杂着真正的负实例，即TPR和FPR会同时增大。阈值最大时，对应坐标点为(0,0)，阈值最小时，对应坐标点(1,1)。

真正的理想情况，TPR应接近1，FPR接近0，即图中的（0,1）点。ROC曲线越靠拢（0,1）点，越偏离45度对角线越好。

---

2.AUC值。

AUC (Area Under Curve) 被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围一般在0.5和1之间。使用AUC值作为评价标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。

从AUC判断分类器（预测模型）优劣的标准：

AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。

• 0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
• AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
• AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。

一句话来说，AUC值越大的分类器，正确率越高。

参考原文