机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线

在介绍指标前必须先了解“混淆矩阵”：

混淆矩阵

True Positive(真正，TP)：将正类预测为正类数，是正的，也预测正的

True Negative(真负，TN)：将负类预测为负类数，是负的，也预测负的

False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)，是负的，预测为正的

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)，是正的，预测为负的

1、准确率（Accuracy）

分子：正正+负负

分母：正负+负正+正正+负负

准确率(accuracy)计算公式为：

2、错误率（Error rate）

分子：负正+正负

分母：所有

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。

3、灵敏度（sensitive）、召回率

分子：正正，

分母：正正+正负

sensitive = TP/P，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。

4、特效度（sensitive）

分子：负负

分母：负负+负正

specificity = TN/N，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。

5、精确率、精度（Precision）

分子：正正

分母：正正+负正

精确率(precision)定义为：

表示被分为正例的示例中实际为正例的比例。

原文地址：https://www.cnblogs.com/vivianzy1985/p/9209150.html