机器学习分类任务中的评估指标

刚开始接触机器学习的时候，对于这个评估指标搞的很是头疼，西瓜书模型评估与选择章节介绍了这些指标，但是还是依然觉得有点难于理解。有些知识当你不用的时候，过一段时间发现就忘了，究其原因，可能当时学的时候，就没有理解的深刻，再加上时间一冲淡，每次就像看学习新知识。
言归正传，只是提供一下掌握这个问题最核心的逻辑梳理，具体的知识介绍，我会在下面放经典文章，不多，但是绝对经典！

我们如何判断自己选择的机器学习模型是否足够好，而评估指标给我们提供了一种选择，依靠评估指标我们就可以做到调参和模型的选择。
1、首先就是混淆矩阵中的四个让人讨厌的组合，因为记不住，也不足够理解，那么如何好理解，怎么简单起来？

P/N：代表预测结果
T/F：代表预测结果是否正确

于是乎，就会有四种组合，我们从右往左看，先看预测结果，再看预测是否准确

TP：预测为1，预测正确，即实际1
FP：预测为1，预测错误，即实际0
FN：预测为0，预测错确，即实际1
TN：预测为0，预测正确即，实际0

这样，我们就理解了这四个东西到底代表什么意思，有了这四个玩意，我们就有了混淆矩阵。
2、混淆矩阵有了之后，就是接下来的三个指标：查准率、精准率、查全率
重要的不是指标的公式是什么样的，而是理解指标的含义与应用，理解了之后，公式自己根据混淆矩阵就能推出来。

查准率：对整体结果的预测准确程度，但是对于正负样本不均衡的情况，用查准率很显然不合理。
精准率：对正样本结果中的预测准确程度，注意，关注的只是正样本结果，而不是整体结果。
查全率：这个指标刚开始接触很郁闷，说了代表什么意思，也依然不懂，用一个例子来解释，网贷违约率，相对好用户，我们更关心坏用户，不能错放过任何一个坏用户，查全率越高，代表实际坏用户被预测出来的概率越高。

3、有了精准率和查全率，我们就能画出P-R曲线，但是精准率和查全率是你强我弱的关系，不存在一种情况，两个指标都很高，那么如何达到