1，ROC曲线
去医院做检查化验单或报告单会出现（+）跟（-），其分别表型阳性和阴性。比如你去检查是不是得了某种病，阳性（+）就说明得了，阴性（-）就说明没事。
科研人员在设计这种检验方法的时候希望知道，如果这个人确实得了病，那么这个方法能检查出来的概率是多少呢（真阳率）？如果这个人没有得病，那么这个方法误诊其有病的概率是多少呢（假阳率）？
如下表1所示： 
金标准就是实际中的病人阳性和阴性的情况，某筛选方法就是我们预测阳、阴性所采用的方法。
真阳率（True Positive Rate, TPR）就是：
表示在所有的阳性病人中被正确预测为阳性的概率。
假阳率（False Positive Rate, FPR）就是：
表示在所有的阴性病人中被预测为阳性的概率。
ROC曲线，就是把假阳率当x轴，真阳率当y轴画一个二维平面直角坐标系。通过不断调整检测方法（或机器学习中的分类器）的阈值，即最终得分高于某个值就是阳性，反之就是阴性，得到不同的真阳率和假阳率数值，然后描点。就可以得到一条ROC曲线。
对于ROC曲线做如下说明：
（1）ROC曲线上的每一个点对应于一个threshold，大于这个值的实例划归为正类，小于这个值则划到负类中.
Threshold最大时，把每个实例都预测为负类， TPR=0,FPR=0，对应于原点；
Threshold最小时，，把每个实例都预测为正类，TPR=1,FPR=1，对应于右上角的点(1,1)
可以根据对灵敏度和特异度的特定要求，确定ROC曲线一适当的工作点，确定最好的决策阈值。
（2）理想情况下，TPR应该接近1，FPR应该接近0。
一个好的分类模型应该尽可能靠近图形的左上角，
而一个随机猜测模型应位于连接点（TPR=0,FPR=0）和（TPR=1,FPR=1）的主对角线上。
（3） ROC曲线下方的面积（AUC）提供了评价模型平均性能的另一种方法。如果模型是完美的，那么它的AUG = 1，如果模型是个简单的随机猜测模型，那么它的AUG = 0.5，如果一个模型好于另一个，则它的曲线下方面积相对较大。
ROC曲线可以全面评分类器的性能。
注意：认真的读者也许会感慨左上角的说法有些含糊，所谓“曲线左上角”至少有3种判断方式：a，曲线与斜率为1的切点；b，曲线经过（0，1）和（1，0）两点直线的交点；c，曲线上与（0，1）点绝对距离最近的点。从数学上讲，由于ROC曲线并非规则曲线，这3点未必永远合一。
AUC（Area Under Curve）顾名思义，就是这条ROC曲线下方的面积了。越接近1表示分类器越好。
所以对于多种预测方法的优劣判断可以在一个坐标下画他们的ROC曲线，然后通过计算他们的AUC来进行判断。
2，F1评分
还是依表1为依据，准确度（Precision）为：
表示预测为阳性的样本中真正为阳性的概率。
而真阳率（True Positive Rate, TPR）又成为召回率（Recall）：
F1是将准确率和召回率结合在一起，如下所示：
对于算法的评估来说当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高。
3，rmse、mape平均绝对百分误差
rmse均方根误差，就是误差的平方和再开根号，意义上很好理解。不过有些情况用均方根误差就有些不合情理，比如有两种情况：
a，将价格为100万的房子价格预测为120万；
b，将价格为600万的房子价格预测为620万；
虽然a，b中价格的预测的差值都是20但是可以看出b明显要比a预测的要准一些的。为了改变这种情况就有了mape，公式如下：
求取每个样本的误差并除以该样本的真实值，最后除以样本总量做个归一。
以上面a，b为例计算其mape：
4,例子：
现在有100个病人其中90个是阳性10个是阴性，现在有两个预测方案：
a，100个全部都是阳性；
b，90个阳性中有81个是阳性，剩余的全部为阴性。
分析：
真阳性：
假阳性：
精确度：
F1: