混淆矩阵是一种用于性能评估的方便工具，它是一个方阵，里面的列和行存放的是样本的实际类vs预测类的数量。
P =阳性，N =阴性：指的是预测结果。
T=真，F=假：表示 实际结果与预测结果是否一致，一致为真，不一致为假。
TP=真阳性：预测结果为P，且实际与预测一致。
FP=假阳性：预测结果为P，但与实际不一致。
TN=真阴性：预测结果为N，且与实际一致。
FN=假阴性：预测结果为N，但与实际不一致。
分类模型的经验误差可以通过计算1-准确率得到。
然而，如何选择一个适当的预测误差度量是高度依赖于具体问题的。在“垃圾邮件”分类的情况中，我们更加关注的是低误报率。当然，垃圾邮件被分成了火腿肯定是烦人的，但不是那么糟糕。要是一封邮件被误分为垃圾邮件，而导致重要信息丢失，那才是更糟糕的呢。
在如“垃圾邮件”分类的二元分类问题中，有一种方便的方式来调整分类器，称为接受者操作特性（ROC或ROC曲线）。该曲线对应精密性Precision，对应着预测值为阳性的数据中正确的比例。
AUC的含义：ROC曲线下的面积（越大越好，1为理想状态）
ROC（Receiver Operating Characteristic）
准确率Accuracy
正确分类的样本占总样本的比例，对总体准确率的评估。
公式：(TP+TN)/(P+N)。即，对阳性和阴性，总体（分母P+N）预测对了多少（分子TP+TN）。
注：准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。
准确率确实是一个很好很直观的评价指标，但是有时候准确率高并不能代表一个算法就好。比如某个地区某天地震的预测，假设我们有一堆的特征作为地震分类的属性，类别只有两个：0：不发生地震、1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那那么它就可能达到99%的准确率，但真的地震来临时，这个分类器毫无察觉，这个分类带来的损失是巨大的。为什么99%的准确率的分类器却不是我们想要的，因为这里数据分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的准确率却忽视了我们关注的东西。再举个例子说明下。在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc也有 99% 以上，没有意义。因此，单纯靠准确率来评价一个算法模型是远远不够科学全面的。
错误率（Error rate）
错误率则与准确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(TP+TN+FP+FN)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate。
灵敏度Sensitivity（查全率/召回率Recall）
对“真阳性率”预测的评估，也就是对“阳性/真”预测准确的概率（比如，当试图预测某种疾病的时候，如果一个病人长了这种病，那么正确的预测出这个人长了这种病，就是“阳性/真”）。
查全率关心的是”预测出正例的保证性”即从正例中挑选出正例的问题。
灵敏度表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。召回率是覆盖面的度量，度量有多个正例被分为正例，与灵敏度相等。
公式：TP/(TP+FN)。即，实际为阳性P（分母TP+FN），其中预测正确的比例（分子TP）。
精密性（精确率/精度/查准率）Precision
对“真阳性率”预测的评估。
查准率关心的是”预测出正例的正确率”即从正反例子中挑选出正例的问题。
表示被分为正例的示例中实际为正例的比例。
公式：TP/(TP+FP)。即，预测为阳性的数据（分母TP+FP）中，实际对了多少（分子TP）。
特异性Specificity
描述了二元分类问题中的“真阴性率”：这指的是对“真/阴性”情况作出正确预测的概率（例如，在试图预测疾病时，对一个健康者，没有预测到疾病，就是这种情况）。
表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力。
公式：TN/（TN+FP）。即，实际为阴性N（分母TN+FP），其中预测正确的比例（分子TN）。
综合评价指标（F-Measure）
灵敏度Sensitivity（查全率/召回率Recall）与精密性（精确率、精度）Precision这两个指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）。两者一般存在矛盾关系，不能都达到很高的值，所以定义F-score评价综合标准。如下图,查准率-查全率曲线（P-R图）：
F-Measure是Precision（P）和Recall（R）加权调和平均：
当参数α=1时，就是最常见的F1，也即
可知F1综合了P和R的结果，当F1较高时则能说明试验方法比较有效。
其他评价指标
计算速度：分类器训练和预测需要的时间；
鲁棒性：处理缺失值和异常值的能力；
可扩展性：处理大数据集的能力；
可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。
原文地址：https://www.cnblogs.com/xianhan/p/9277194.html