机器学习中的评价指标
简要介绍精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、ROC、AUC等指标，还有在生物领域常用的敏感性、特异性指标。
基础
在分类任务中，各指标的计算基础都来自于对正负样本的分类结果，用混淆矩阵表示为：
混淆矩阵.png
精度
- Accuracy
定义：(TP+TN)/(TP+FN+FP+TN)
即所有分类正确的样本占全部样本的比例
精确率
- Precision、查准率
定义：(TP)/(TP+FP)
即预测是正例的结果中，确实是正例的比例
召回率
- Recall、查全率
定义：(TP)/(TP+FN)
即所有正例的样本中，被找出的比例
P-R曲线
- PRC
定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的精确率和召回率，绘制P-R曲线。
PR曲线.png
F1 值
定义：(2 * P * R)/(P + R)
TPR
- 真正例率，与召回率相同
定义：(TP)/(TP+FN)
FPR
- 假正例率
定义：(FP)/(TN+FP)
ROC
- 受试者工作特征
定义：根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的TPR和FPR，绘制ROC曲线。
ROC.png
AUC
- Area Under ROC Curve
定义：ROC曲线下的面积
敏感性
- sensitivity
定义：TP / (TP + FN)
即有病（阳性）人群中，检测出阳性的几率。（检测出确实有病的能力）
特异性
- specificity
定义：TN / (TN + FP)
即无病（阴性）人群中，检测出阴性的几率。（检测出确实没病的能力）
参考资料
https://blog.csdn.net/b876144622/article/details/80009867
https://www.cnblogs.com/leezx/p/6105212.html
