目錄
1.准確率（Accuracy）
准確率是指我們的模型預測正確的結果所占的比例。
正式點說，准確率的定義如下：
$Accuracy = \frac{Number of correct predictions}{Total number of predictions}$
對於二元分類，也可以根據正類別和負類別按如下方式計算准確率：
$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$
其中，TP = 真正例，TN = 真負例，FP = 假正例，FN = 假負例。
例如：該模型將 100 條流分為Tor （正類別）或no-Tor（負類別）：
$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}= \frac{1+90}{1+90+1+8}=0.91$
准確率為 0.91，即 91%（總共 100 個樣本中有 91 個預測正確）。
但仔細琢磨正負例的比例，顯然是不夠能說明問題的。例如，我有1000個樣本，其中910都是負例，模型只要學到將所有樣本預測為負例，准確率即可達到91%，這樣卻永遠檢測不出正例。
所以，當使用分類不平衡的數據集（比如正類別標簽和負類別標簽的數量之間存在明顯差異）時，單單准確率一項並不能反映全面情況。
在2、3部分中，我們將介紹兩個能夠更好地評估分類不平衡問題的指標：召回率和精確率。
2.召回率（Recall=TPR）
召回率表示在所有正類別樣本中，被正確識別為正類別的比例。
從數學上講，召回率的定義如下：
$Recall=\frac{TP}{TP+FN}$
讓我們來計算一下流量分類器的召回率(上面的例子)：
$Recall=\frac{TP}{TP+FN} = \frac{1}{1+8} = 0.11$
該模型的召回率是 0.11，也就是說，該模型能夠正確識別出所有Tor流量的百分比是 11%。
3.精確率（Precision）
精確率表示被識別為正類別的樣本中，確實為正類別的比例。
精確率的定義如下：
$Precision=\frac{TP}{TP+FP}$
讓我們來計算一下流量分類器（上面的例子）的精確率：
$Precision=\frac{TP}{TP+FP} =\frac{1}{1+1} = 0.5$
該模型的精確率為 0.5，也就是說，該模型在預測Tor流量方面的正確率是 50%。
參考：https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=zh-cn
4.召回率與精確率的關系
在信息檢索領域，召回率和精確率又被稱為查全率和查准率：
- 查全率＝檢索出的相關信息量 / 系統中的相關信息總量
- 查准率＝檢索出的相關信息量 / 檢索出的信息總量
由此可以理解：
- 假負例 (FN)又叫漏報
- 假正例 (FP)又叫誤報
參考：機器學習性能評估指標
5.誤報率（FPR）與漏報率（FNR）
真正例率 TPR = TP / (TP + TN)
表示，被挑出來的（預測是“正”的），且正確的（預測值=真實值）的，占總的預測正確的比率。
反正例率 FPR = FP / （FP + TN）
表示，被挑出來的（預測是“正”的），但錯誤的（預測值!=真實值）的，占總的預測錯誤的比率。
TPR越大，則表示挑出的越有可能（是正確的）；FPR越大，則表示越不可能（在挑選過程中，再挑新的出來，即再挑認為是正確的出來，越有可能挑的是錯誤的）。
TNR（True Negative Rate）可以理解為所有反類中，有多少被預測成反類（反類預測正確），給出定義如下：
FNR（False Negative Rate）可以理解為所有正類中，有多少被預測成反類（反類預測錯誤），給出定義如下：
誤報率（FPR）、漏報率（FNR）