1、AUC的計算    AUC是一個模型評價指標，用於二分類模型的評價。AUC是“Area under Curve（曲線下的面積）”的英文縮寫，而這條“Curve（曲線）”就是ROC曲線。    為什麼要用AUC作為二分類模型的評價指標呢？為什麼不直接通過計算準確率來對模型進行評價呢？答案是這樣的：機器學習中的很多模型對於分類問題的預測結果大多是概率，即屬於某個類別的概率，如果計算準確率的話，就要把概率轉化為類別，這就需要設定一個閾值，概率大於某個閾值的屬於一類，概率小於某個閾值的屬於另一類，而閾值的設定直接影響了準確率的計算。使用AUC可以解決這個問題，接下來詳細介紹AUC的計算。    例如，資料集一共有5個樣本，真實類別為（1，0，0，1，0）；二分類機器學習模型，得到的預測結果為（0.5，0.6，0.4，0.7，0.3）。將預測結果轉化為類別——預測結果降序排列，以每個預測值（概率值）作為閾值，即可得到類別。計算每個閾值下的“True Positive Rate”、“False Positive Rate”。以“True Positive Rate”作為縱軸，以“False Positive Rate”作為橫軸，畫出ROC曲線，ROC曲線下的面積，即為AUC的值。    那麼什麼是“True Positive Rate”、“False Positive Rate”？    首先，我們看如下的圖示： 

  然後，我們計算兩個指標的值：    TruePositiveRate=TPTP+FNTruePositiveRate=TPTP+FN，代表將真實正將本劃分為正樣本的概率    FalsePositiveRate=FPFP+TNFalsePositiveRate=FPFP+TN，代表將真實負樣本劃分為正樣本的概率    接著，我們以“True Positive Rate”作為縱軸，以“False Positive Rate”作為橫軸，畫出ROC曲線，ROC曲線下的面積，即為AUC的值。類似下圖： 

2、Precision、Recall、F-measure、Accuracy的計算    首先，我們看如下圖示（與上邊的圖示相同）： 

  精確率（Precision）：Precision=TPTP+FPPrecision=TPTP+FP    召回率（Recall）：Recall=TPTP+FNRecall=TPTP+FN    F-measure：F−measure=2×Precision×RecallPrecision+RecallF−measure=2×Precision×RecallPrecision+Recall    準確率（Accuracy）：Accuracy=TP+TNTP+TN+FP+FNAccuracy=TP+TNTP+TN+FP+FN   關於聚類的評價指標可以參考文章：    Clustering Algorithms and Evaluations