【笔记】混淆矩阵和ROC曲线

一、混淆矩阵

	预测为真	预测为假
真实为真	TP (True Positive)	FN (False Negative)
真实为假	FP (False Positive)	TN (True Negative)

案例：

真实值：0 1 1 0 1 1 0 0 1 0 1 0 1 0 0

预测值：1 1 1 1 1 0 0 0 0 0 1 1 1 0 1

二、重要指标

（1）精确率（precision、positive predictive value、ppv）：

TP / (TP + FP)

即鉴定为阳性的所有数据中，确实为阳性的数据所占比。衡量算法的精确度。

（2）召回率（recall、sensitivity（敏感度）、True Positive Rate（真阳性率/TPR））：

TP / (TP + FN)

即所有确实为阳性的数据中被鉴定出来的比率。

（3）特异度（specificity、True Negative Rate（真阴性率/TNR））：

TN / (TN + FP)

即所有确实为阴性的数据中被鉴定出来的比率。

（4）假阳性率（False Positive Rate（FPR））：

FP / (FP + TN)

即所有确实为阴性的数据中被鉴定成阳性的比率。

（5）F1值：精确率和召回率的调和平均数。F1值越接近1，模型输出越好。

2 1 p r e c i s i o n + 1 r e c a l l \Large \frac 2 {\frac 1 {precision} + \frac 1 {recall}} <