分类任务的指标：accuracy，precision，recall，ROC curve，AUC

https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc

定义TP,FP,FN,TN

如何计算TP？

True 代表正确，说明模型预测正确；

Positive 代表阳性，代表预测内容为阳性；

TP 是模型正确预测为1（阳性）的概率；

TF是模型正确预测为0的概率；

FN是模型错误预测，模型预测为0的概率；

FP是模型错误预测，模型预测为1的概率。

总结：这是个指标实际上是22的组合，针对模型对错，模型预测内容*来说的

Accuracy

对于二分类问题： $$ ACC=\frac{TP+TN}{TP+TN+FP+FN} $$ 实际上ACC是一个更加宽泛的指标： $$ ACC=\frac{Correct_predictions}{All_predictions} $$ 但是ACC 并不是一个平衡的准则：当样本的类别不平衡的时候，ACC不能说明情况。

Precision

准确度：模型描述预测1的时候，多少概率是正确的。 $$ Precision=\frac{TP}{TP+FP} $$

Recall

回召度：多大的概率1被正确地识别出来。 $$ Recall=\frac{TP}{TP+FN} $$

ROC curve

ROC receiver operating characteristic curve：描述分类模型在各个阈值下的分类性能。

$$ TPR=\frac{TP}{TP+FN} $$

$$FPR=\frac{FP}{FP+TN}$$

AUC

Area under the ROC curve

AUC 是一个综合的方法评价所有阈值下的模型。

如何理解AUC？

首先它可以理解为TP对于所有阈值的积分，这是一个不考虑阈值的评价指标。

AUC在模型全对的时候为1；

AUC在模型全错的时候为0。