性能度量

给定一组待测试的样本，该样本数据共有$N$个，其中$|p|$个正样本，$|n|$个负样本，经训练模型测试后，预测出$|ep|$个正例，$|en|$个负例。

1. Accuracy

准确率代表了预测准确的样本个数；
$$TP=|p\cap ep|TN=|n\cap en|$$
$$Accuracy=\frac{TP+TN}{N}$$
准确率在样本分布不均衡时，无法较好地衡量该模型的好坏。

2. Precision, Recall

查准率($precision$)是指在预测出的正结果中，有多少是正确的；
$$FP=|ep-p\cap ep|$$
$$precision=\frac{TP}{|ep|}=\frac{TP}{FP+TP}$$
查全率($recall$)是指在所有的正样本中，有多少被准确预测出来;
$$FN=|p-p\cap ep|$$
$$recall=\frac{TP}{|p|}=\frac{TP}{FN+TP}$$
将模型预测的结果进行排序，按顺序逐个把样本作为正例进行预测，每次都可得到当前预测结果下的$presicion$和$recall$，然后以$presicion$和$recall$为纵横坐标轴，就可画出P-R曲线。

3. 真正率（TPR）, 假正率（FPR）

真正率指在所有的正样本中，被准确预测出来为正的样本有多少，也就是，查全率;
$$TPR=\frac{TP}{FN+TP}$$
假正率指在所有的负样本中，被预测出为正的样本有多少。
$$TN=|n\cap en|$$
$$TPR=\frac{TP}{FP+TN}$$
将模型预测的结果进行排序，按顺序逐个把样本作为正例进行预测，每次都可得到当前预测结果下的$TPR$和$FPR$，然后以$TPR$和$FPR$为纵横坐标轴，就可画出ROC曲线，曲线下的面积就是AUC。

4. 看图理解