二分类评估指标

针对二分类的评估指标有Precision，Recall， F1-Score

TPR，FPR， TNR，FNR，AUC，Accuracy

		真实结果
		1	0
预测结果	1	TP（真阳性）	FP（假阳性）
	0	FN（假阴性）	TN（真阴性）

TP：预测为正类，并且预测正确

FP：预测为正类，预测错误

FN：预测为负类，预测错误

TN：预测为负类，预测正确

precision

准确率

\[precision = \frac{TP}{TP+FP} \]

预测为正类中多少个真的为正类，意味着可能存在负类预测为正类的情况（FP）

Recall

召回率

\[recall = \frac{TP}{TP+FN} \]

真实正类中有多少预测出来了，意味着有些真实正类预测为负类的情况（FN）

F1-score

综合考虑精准率P和召回率R

\[F1 = 2* \frac{P*R}{P+R} \]

TPR

真阳性率，其实就是召回率

\[TPR = \frac{TP}{TP+FN} \]

真实为阳性的，被预测为阳性比例，可能有真实为阳性预测为阴性的

FPR

假阳性率

\[FPR = \frac{FP}{FP+TN} \]

真实为阴性的，被预测为阳性比例，可能有真实为阴性并且预测为阴性的

TNR

真阴性率

\[TNR = \frac{TN}{TN+FP} \]

真实为阴性的，被预测为阴性比例，可能有真实为阴预测为阳性的

FNR

假阴性率

\[FNR = \frac{FN}{FN+TP} \]

真实为阳的，被预测为阴性比例，可能有真实为阳预测为阳的

ROC， AUC

以假阳率（FPR）为横坐标，真阳率（TPR）为纵坐标称为ROC曲线，ROC曲线下的面积为AUC，显然这个面积越大越好

精准率accuracy

就是分类正确的个数

\[accuracy = \frac{TP+TN}{TP+TN+FP+FN} \]