机器学习性能评估指标

TP、TN、FP、FN

FN：False(假的) Negative(反例)，模型判断样本为负例，但模型判断错了，事实上是正样本。（漏报率）
FP：False(假的) Positive(正例)，模型判断样本为正例，但模型判断错了，事实上是负样本。（误报率）
TN：True(真的) Negative(负例)，模型判断样本为负例，事实上也是负样本，模型的判断是对的。
TP：True(真的) Positive(正例)，模型判断样本为正例，事实上也是正样本，模型判断是对的。

Precision

中文叫做精确率/查准率，表示模型认为的正例(TP+FP)中，真正判断正确的比例。

$$P=\frac{TP}{TP+FP}$$

Recall

中文叫做召回率/查全率，表示样本真实的正例(TP+FN)中，真正判断正确的比例。

$$\frac{TP}{TP+FN}$$

P-R曲线

以查准率为纵轴，以查全率为横轴画出来的曲线。

F-Measure

是精确率和召回率的调和平均

$$F=\frac{(\alpha^{2}+1)P*R}{\alpha^{2}(P+R)}$$

当$\alpha=1$时，记为F1指标：

$$F1=\frac{2PR}{P+R}$$

ROC、AUC

ROC曲线是评价学习器泛化能力的指标，他纵轴是“真正例率”（TPR），横轴是“假正例率”（FPR）

TPR = TP / (TP + FN)

FPR = FP / (TN + FP)

AUC，就是area under ROC curve，ROC曲线下包裹的面积。

原文地址：https://www.cnblogs.com/4PrivetDrive/p/12174030.html