机器学习11. ROC曲线、AUC值、Accuracy、Precision、Recall 含义

AUC/ROC，Accuracy，Precision，Recall 含义。查准率，查全率，样本均衡问题

部分图片转自这里

• 行的True和False表示预测为正负
• 列的Pos和Neg表示真实的正负
  
• 表哥说明：
  • True Positive(TP)：将正类预测为正类的数量.
  • True Negative(TN)：将负类预测为负类的数量.
  • False Positive(FP)：将负类预测为正类数（假的正类–>其实是负累预测为正） → 误报 (Type I error).（把鸟当成敌机了）
  • False Negative(FN)：将正类预测为负类数（假的负类–>其实是正类预测为负） → 漏报 (Type II error).（把敌机当成鸟了–>非常严重）
• 准确率（Accuracy）
  • $acc=\frac{TP+TN}{4个全部}$，表示分类正确的比例。
  • 准确率在样本不平衡时有较大缺陷。

记正负样本个数分别为：$F=TP+FN$和$N=$