1、混淆矩阵

下图是一个二类问题的混淆矩阵，其中的输出采用了不同的类别标签

常用的衡量分类性能的指标有：

• 正确率（Precision），它等于 TP/(TP+FP) ，给出的是预测为正例的样本中的真正正例的比例。
• 召回率（Recall），他等于 TP/(TP+FN)，给出的是预测为正例的真实正例占所有真实正例的比例。

2、ROC曲线 

图中的横轴是伪正例的比例（假阳率=FP/(FP+TN))，而纵轴是真正例的比例（真阳率=TP/(TP+FN)）。ROC曲线给出的是当阈值变化时假阳率和真阳率的变化情况。左下角的点所对应的是将所有样例判为反例的情况，而右上角的点对应的则是将所有样例判为正例的情况。虚线给出的是随机猜测的结果曲线。

对不同的ROC曲线进行比较的一个指标是曲线下的面积（Area Unser the Curve）。AUC给出的是分类器的平均性能值，当然它并不能完全代替对整条曲线的观察。一个完美分类器的AUC为1.0，而随机猜测的AUC则为0.5。 

THE END.

机器学习实战笔记(Python实现)-07-分类性能度量指标