混淆矩阵 Confusion Matrix
- Accuracy = (TP+TN)/(TP+FP+TN+FN) ;
- Precision = TP/(TP+FP); //预测对的正样本在所有
预测为正的样本中的比例 - Recall = TP/(TP+FN); //预测对的正样本在所有
真正正样本中的比例, 也叫真正类率(True Positive Rate)(TPR) - F1-score = 2*Precision*Recall/(Precision + Recall);
- Specificity = TN/(FP+TN)；
- ROC（Receiver Operating Characteristic）曲线由两个变量绘制，
横坐标是负正类率(FPR)，纵坐标是真正类率(TPR)； - AUC（Area Under Curve）为ROC曲线下的面积。
1). Sensitivity = Recall = TPR(True Positive Rate) = TP/(TP+FN);
2). FPR=FP/(FP+TN);
3). Specificity + FPR = 1.
Fb-score是准确率和召回率的调和平均
Fb=[(1+b^2)*P*R]/（(b^2)*P+R），比较常用的是F1.
绘制ROC曲线：
precision与recall，前者是在预测为正的样本中的比例，后者是在真正为正的样本中的比例，别记混了，找工作可能会问到的！：）
补充： 2016-11-28
map
平均正确率均值MAP（mean average precision）
map可以由它的3个部分来理解：P，AP，MAP。
P即precision，在信息检索领域用的比较多，和precision一起出现的是recall。
对于一个查询返回了一系列文档，precision是指返回的结果中相关的文档占的比例。定义为：precision=返回结果中相关文档的数目/返回结果的数目。
recall是返回结果中相关文档占所有相关文档的比例。定义为：recall=返回结果中相关文档的数目/所有相关文档的数目。
precision只是考虑了相关文档的个数，没有考虑文档之间的序。对一个搜索引擎或推荐系统而言，返回的结果必然是有序的，而且越相关的文档排的越靠前越好。于是有了AP的概念。
对于一个有序的列表，计算AP的时候要先求出每个位置上的precision，然后对所有位置上的precision再求average。如果该位置文档是不相关的，则该位置precision=0，如果相关则计算该位置的precision。如果有4个相关文档，返回值分别排在1，2，5，8位置，则对应的precision为：1/1，2/2，3/5，4/8。那么，AP=（1/1+2/2+3/5+4/8）/4. 可见，AP是对排序位置敏感的，相关文档排序的位置越靠前，检出的相关文档的数目越多，AP值越大。
而MAP就是对所有查询的AP值求均值。