精确率，召回率，准确率，真假正类率

1，所有的预测包含：

实际为真---------真正例（TP），假负例（FN）
实际为假---------假正例（FP），真负例（TN）

2，准确率，accuracy

正确的预测，占所有预测的比例 \(\frac{TP+TN}{TP+TN+FP+FN}\)

3，精确率，precision

被识别为正确的例子中，确实为正确的比例 \(\frac{TP}{TP+FP}\)

4，召回率，recall

在实际的所有正确例子中，被识别为正确的比例 \(\frac{TP}{TP+FN}\)
PR曲线是以recall为横轴，precision为纵轴，调整阈值画的

5，补充

FPR（假正类率），TPR（真正类率）
TPR（True Positive Rate）= \(\frac{TP}{TP+FN}\)，即正类数据被分为正类的比例，也就是上面正例的召回率
FPR（False Positive Rate）= \(\frac{FP}{FP+TN}\)，即负类数据被分为正类的比例
ROC曲线就是以TPR为纵轴，FPR为横轴，调整阈值画的
AUC定义为ROC曲线下的面积

6，举例子

0 negative 负 = TN+FP
1 positive 正 = TP+FN
数据集中包含两个部分，一部分0，一部分1，都是真实标签值
用模型进行预测的话
0这部分数据：
如果模型预测为0,则是True Negative 真负例 TN
预测为1，则是False Positive 假正例 FP
0=TN+FP 所有真实值为0的数据

1这部分数据：
如果模型预测为1,则是True Positive 真正例 TP
预测为0，则是False Negative 假负例 FN
1=TP+FN 所有真实值为1的数据

TP+FP=模型预测的所有为1的值
TN+FN=模型预测的所有为0的值

精确率就是，针对模型预测结果的评价，对正例来说TP+FP就是模型预测的所有为1的，Precision = TP/(TP+FP)，即模型预测的所有为1的数据，正确的有多少
召回率就是，针对真实标签的评价，对正例来说TP+FN就是真实值为1的所有数据，Recall = TP/(TP+FN)，即所有真实为1的数据，模型识别出来多少