# 分类性能度量 ### 准确率 * 假设只有两类样本，即正例和负例。表中 AB 模式，第二个符号代表预测，第一个表示预测结果为 True or False。

实际类别	预测类别
		正	负	总计
	正	TP	FN	P(实际为正)
	负	FP	TN	N(实际为负)

* 分类准确率（accuracy）： accuracy= （TP+TN）/（P+N） ## 精确率和召回率 * 精确率（precision）& 召回率（recall）是二分类问题常用的评价指标。 precision = TP /（TP+FP） recall = TP / P * 精确率反映了判定的正例中真正正例的比重。 * 召回率反映了总正例中被模型正确判定正例的比重。医学领域也叫做灵敏度（sensitivity）。 ## ROC * **横轴**：假正例率 fp rate = FP / N * **纵轴**: 真正例率 tp rate = TP / P * ROC（受试者工作特征曲线 receive operating characteristic curve）描绘了分类器在 tp rate(真正正例占总正例的比率，反映命中概率，纵轴) 和 fp rate（错误的正例占反例的比率，反映误诊率、假阳性率、虚惊概率，横轴）间的 trade-off。 * ROC-AUC（Area Under Curve）定义为 ROC 曲线下的面积通常 AUC 越大分类器更好取值范围[0,1]