本文來自網絡，屬於對各評價指標的總結，如果看完之后，還不是很理解，可以針對每個評價指標再單獨搜索一些學習資料。加油~！
對於分類算法，常用的評價指標有：
（1）Precision
（2）Recall
（3）F-score
（4）Accuracy
（5）ROC
（6）AUC
ps：不建議翻譯成中文，尤其是Precision和Accuracy，容易引起歧義。
1.混淆矩陣
混淆矩陣是監督學習中的一種可視化工具，主要用於比較分類結果和實例的真實信息。矩陣中的每一行代表實例的預測類別，每一列代表實例的真實類別。
圖1 混淆矩陣
如圖1所示，在混淆矩陣中，包含以下四種數據：
a、真正(True Positive , TP)：被模型預測為正的正樣本
b、假正(False Positive , FP)：被模型預測為正的負樣本
c、假負(False Negative , FN)：被模型預測為負的正樣本
d、真負(True Negative , TN)：被模型預測為負的負樣本
根據這四種數據，有四個比較重要的比率，其中TPR和TNR更為常用：
-
真正率(True Positive Rate , TPR)【靈敏度(sensitivity)】：TPR = TP /(TP + FN) ，即正樣本預測結果數/ 正樣本實際數
-
假負率(False Negative Rate , FNR) ：FNR = FN /(TP + FN) ，即被預測為負的正樣本結果數/正樣本實際數
-
假正率(False Positive Rate , FPR) ：FPR = FP /(FP + TN) ，即被預測為正的負樣本結果數 /負樣本實際數
-
真負率(True Negative Rate , TNR)【特指度(specificity)】：TNR = TN /(TN + FP) ，即負樣本預測結果數 / 負樣本實際數
2.評價指標
1)(Precision): P = TP/(TP+FP)
2)(Recall): R = TP/(TP+FN)，即真正率
3)F-score：Precision和Recall的調和平均值, 更接近於P, R兩個數較小的那個: F=2* P* R/(P + R)
4)(Aaccuracy): 分類器對整個樣本的判定能力,即將正的判定為正，負的判定為負: A = (TP + TN)/(TP + FN + FP + TN)
5)ROC(Receiver Operating Characteristic)：ROC的主要分析工具是一個畫在ROC空間的曲線——ROC curve，橫坐標為false positive rate(FPR)，縱坐標為true positive rate(TPR)。
如何畫ROC曲線？
對於二值分類問題，實例的值往往是連續值，通過設定一個閾值，將實例分類到正類或者負類（比如大於閾值划分為正類）。因此，可以變化閾值，根據不同的閾值進行分類，根據分類結果計算得到ROC空間中相應的點，連接這些點就形成ROC curve。ROC curve經過(0,0) (1,1)，實際上(0,0)和(1,1)連線形成的ROC curve實際上代表的是一個隨機分類器。一般情況下，這個曲線都應該處於(0,0)和(1,1)連線的上方，如圖2所示。
圖2 ROC曲線
ROC上幾個關鍵點的解釋：
(TPR=0,FPR=0)：把每個實例都預測為負類的模型
(TPR=1,FPR=1)：把每個實例都預測為正類的模型
(TPR=1,FPR=0)：理想模型，全部預測正確
(TPR=0,FPR=1)：最差模型，全部預測錯誤
一個好的分類模型應該盡可能靠近圖形的左上角，而一個隨機猜測模型應位於連接點(TPR=0,FPR=0)和(TPR=1,FPR=1)的主對角線上。
既然已經這么多評價標准，為什么還要使用ROC和AUC呢？
因為ROC曲線有個很好的特性：當測試集中的正負樣本的分布變化的時候，ROC曲線能夠保持不變。在實際的數據集中經常會出現類不平衡(class imbalance)現象，即負樣本比正樣本多很多(或者相反)，而且測試數據中的正負樣本的分布也可能隨着時間變化。
6)AUC(Area Under ROC Curve)
AUC的值就是處於ROC curve下方的那部分面積的大小。通常，AUC的值介於0.5到1.0之間，較大的AUC代表了較好的performance。如果模型是完美的，那么它的AUG = 1，如果模型是個簡單的隨機猜測模型，那么它的AUG = 0.5，如果一個模型好於另一個，則它的曲線下方面積相對較大。