一、分類指標

1. 樣本中存在兩種兩種標籤：樣本真實標籤和模型預測標籤。
2. 根據這兩個標籤可以得到一個混淆矩陣：

• 每一行代表樣本的真實類別，資料總數表示該類別的樣本總數。
• 每一列代表樣本的預測類別，資料總數表示該類別的樣本總數。
• 分類模型的評價指標主要基於混淆矩陣。

二、混淆矩陣

三、正確率

1. 用來表示模型預測正確的樣本比例。
2. 定義如下：

四、精度和召回率

1. 精度和召回率是比正確率更好的效能評價指標，是對某個類別的評價。

• 精度：（查準率）是指正確預測的正樣本佔所有預測為正樣本的比例：

• 召回率：（查全率）又稱靈敏度和命中率，是指正樣本中被正確預測的比例：

五、F1值

1. 精度和召回率是負相關的：高精度往往對應召回率
2. F值即是綜合考慮精度和召回率的一個指標：

其中為β正數，其作用是調整精度和召回率的權重。β越大，召回率的權重更大；β越小，則精度的權重更大。 當β正數為1時為F1值，精度和召回率權值一樣。

六、ROC與AUC

1. ROC曲線和AUC是一個從整體上評價二分類模型優劣的指標，其中AUC是ROC曲線與其橫軸之間的面積。AUC值越大說明模型越好。
2. ROC曲線通過真陽率和假陽率兩個指標進行繪製：

• 真陽率是真實標籤為正樣本里預測也為正樣本的比例，用TPR表示
• 假陽率是真實標籤為負樣本里預測為正樣本的比例，用FPR表示