准确率，查准率，查全率，ROC曲线，AUC面积

正确翻译： T ：正确

                   P：正样本    TP：表示正确预测，预测为正样本

True Positive(真正，TP)：将正类预测为正类数 
True Negative(真负，TN)：将负类预测为负类数 
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) ,没有识别未有（误识）
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) ，有识别为没有（漏失）
准确率（Accuracy）:ACC=(TP+TN)/(Tp+TN+FP+FN)   （所有样本都被正确分类）
精确率(precision):P=TP/(TP+FP)     （ 宁愿错杀，不可漏掉）
召回率（recall）:recall=TP/(TP+FN)  (宁愿漏掉，不可错杀）
 

Recall: 查全率

Precision:查准率（预测出来的正样本正确的比例)

Accuracy：准确率

 

Precision：查准率

Precision的计算则很容易和Accuracy弄混，Precision表示某一类样本预测有多准，比如说，模型预测出有100个病患，可是实际上这里面只有80个是病患，那么Precision就是80%。顾名思义，即查准的几率为80%。注意：Precision针对的是某一类样本，如果没有说明类别，那么Precision是毫无意义的（有些地方不说明类别，直接说Precision，是因为二分类问题通常说的Precision都是正样本的Precision）。Accuracy则针对的是所有类别的样本，这一点很多人并没有去区分。

                                                         

 

Recall：召回率

Recall和Precision一样，脱离类别是没有意义的。说道Recall，一定指的是某个类别的Recall。Recall表示某一类样本，预测正确的与所有Ground Truth的比例。比如说，某批数据有100个人为患者，可是模型只预测出80个人为患者，那么被召回医院就诊的比例就是80%，即Recall是80%。仔细和Precision的计算方法对比就可以发现，Recall和Precision计算中的分子都是一样的，但是Recall计算的时候，分母