简洁直观解释精确率、召回率、F1 值、ROC、AUC

混淆矩阵

当我们在做二分类预测时，把预测情况与实际情况的所有结果两两混合，结果就会出现以下4种情况，就组成了混淆矩阵。

• P（Positive）：代表正样本
• N（Negative）：代表负样本
• T（True）：代表预测正确
• F（False）：代表预测错误

所以它们的交叉组合的情况为：

• TP：是预测为正类且预测正确；预测为1，实际为1
• TN：是预测为负类且预测正确；预测为0，实际为0
• FP：是把实际负类分类（预测）成了正类；实际为0，预测为1
• FN：则是把实际正类分类（预测）成了负类；始于为1，预测为0

准确率

准确率（Accuracy）。顾名思义，就是所有预测正确的（包括正类和负类）占总样本的比例：

精确率

精确率（Precision），查准率。所有被预测为正的样本中实际为正的样本的概率。

召回率

召回率（Recall），查全率，表示在实际为正的样本中被预测为正样本的概率

F1分数

精确率和召回率又被叫做查准率和查全率，如果我们想要在二者之间找到一个平衡点，就需要一个新的指标：F1分数，它同时考虑了查准率和查全率，让二者同时达到最高，取一个平衡点。

ROC与AUC

关于ROC曲线，横轴为FPR，纵轴为TPR。目的是希望FPR尽可能小，TPR尽可能大，我们发现TPR和FPR分别时基于实际表现1和0出发的，也就是说它们分别在实际正样本和负样本中来观察相关概率问题。正因如此，无论正负样本是否平衡，都不会被影响。

真正率（TPR） = 召回率 = TP/(TP+FN)

假正率（FPR） = FP / (FP+TN)