原文鏈接：https://blog.csdn.net/weixin_42518879/article/details/83959319
主要內容：機器學習中常見的幾種評價指標，它們各自的含義和計算（注意本文針對二元分類器！）
1、混淆矩陣
True Positive（真正，TP）：將正類預測為正類的數目
True Negative（真負， TN）：將負類預測為負類的數目
False Positive（假正，FP）：將負類預測為正類的數目（Type I error）
False Negative（假負，FN）：將正類預測為負類的數目（Type II error）
2、精確率（Precision）
精確率表示被分為正例的實例中實際為里正例的比例。
3、召回率（Recall）
召回率表示所有實際為正例的實例被預測為正例的比例，等價於靈敏度（Sensitive）
4、綜合評價指標（F-Measure）
Precision和Recall有時會出現矛盾的情況，為了綜合考慮他們，我們常用的指標就是F-Measure，F值越高證明模型越有效。
F-Measure是Precision和Recall的加權調和平均。
當參數α=1時，就是我們最常見的F1。
5、ROC曲線和AUC（Area Under Curve）
在二分類中，我們通常會對每個樣本計算一個概率值，再根據概率值判斷該樣本所屬的類別，那么這時就需要設定一個閾值來划定正負類。這個閾值的設定會直接影響到Precision和Recall，但是對於AUC的影響較小，因此我們通過做ROC曲線並計算AUC的值來對模型進行更加綜合的評價。
ROC曲線的作圖原理如下：假設我們的測試集一共有n個樣本，那么我們會對每個樣本得到一個概率，以每個概率為閾值計算此時的"True Positive Rate"和"False Positive Rate"值，共得到n對值（n個點）。然后以"True Positive Rate"作為縱軸，"False Positive Rate"作為橫軸，以這n個點的數據作圖畫出ROC曲線。
AUC(Area Under Curve)即為ROC曲線下的面積。
6、准確率（Accuracy）
准確率是我們最常用的評價指標，就是所有實例中被預測正確的比例，但是當數據存在不平衡時，准確率不能很全面地評價模型表現的好壞。
7、具體計算
以上各種評價指標的計算都可以通過sklearn.metrics中的相關功能實現，參考鏈接：sklearn.metrics中的評估方法介紹