机器学习常见的几种评价指标：精确率（Precision）、召回率（Recall）、准确率（Accuracy）、F值（F-measure）、ROC 曲线、AUC

参考来源：
https://blog.csdn.net/weixin_42518879/article/details/83959319

主要内容：机器学习中常见的几种评价指标，它们各自的含义和计算（注意本文针对二元分类器！）

1. 混淆矩阵

True Positive（真正，TP）：将正类预测为正类的数目
True Negative（真负， TN）：将负类预测为负类的数目
False Positive（假正，FP）：将负类预测为正类的数目（Type I error）
False Negative（假负，FN）：将正类预测为负类的数目（Type II error）

2. 精确率（Precision）

精确率表示被分为正例的实例中实际为里正例的比例。

3. 召回率（Recall）

召回率表示所有实际为正例的实例被预测为正例的比例，等价于灵敏度（Sensitive）

4. 准确率（Accuracy）

准确率是我们最常用的评价指标，就是所有实例中被预测正确的比例，但是当数据存在不平衡时，准确率不能很全面地评价模型表现的好坏。

5. 综合评价指标（F-Measure）

Precision 和 Recall 有时会出现矛盾的情况，为了综合考虑他们，我们常用的指标就是 F-Measure，F值越高证明模型越有效。

F-Measure 是 Precision 和 Recall 的加权调和平均。

当参数 α = 1 时，就是我们最常见的 F1 。

6. ROC曲线和AUC（Area Under Curve）

参考来源：
https://www.yuque.com/yuque-qsztn/tykz7k/ghg1o5

在二分类中，我们通常会对每个样本计算一个概率值，再根据概率值判断该样本所属的类别，那么这时就需要设定一个阈值来划定正负类。这个阈值的设定会直接影响到 Precision 和 Recall，但是对于 AUC 的影响较小，因此我们通过做 ROC 曲线并计算AUC的值来对模型进行更加综合的评价。

ROC 曲线的作图原理如下：假设我们的测试集一共有 n 个样本，那么我们会对每个样本得到一个概率，以每个概率为阈值计算此时的 “True Positive Rate” 和 “False Positive Rate” 值，共得到 n 对值（ n 个点）。然后以 “True Positive Rate” 作为纵轴，”False Positive Rate” 作为横轴，以这 n 个点的数据作图画出 ROC 曲线。

AUC(Area Under Curve) 即为 ROC 曲线下的面积。

7. 具体计算

以上各种评价指标的计算都可以通过sklearn.metrics中的相关功能实现，参考链接：sklearn.metrics中的评估方法介绍