机器学习面试常考知识之准确率（Accuracy）、精确率(Precision)、召回率(Recall)、F值(F-Measure)、AUC、ROC的理解

(1)若一个实例是正类，但是被预测成为正类，即为真正类(True Postive TP)

(2)若一个实例是负类，但是被预测成为负类，即为真负类(True Negative TN)

(3)若一个实例是负类，但是被预测成为正类，即为假正类(False Postive FP)

(4)若一个实例是正类，但是被预测成为负类，即为假负类(False Negative FN）

 

准确率（正确率）= 所有预测正确的样本/总的样本  即（TP+TN）/总

精确率=  将正类预测为正类 / 所有预测为正类 即 TP/（TP+FP）

召回率 = 将正类预测为正类 / 所有正真的正类 即 TP/（TP+FN）

F值 = 精确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为精确率和召回率的调和平均值）

 

ROC曲线：接收者操作特征(receiver operating characteristic)，roc曲线上每个点反映着对同一信号刺激的感受性。

纵轴：真正类率(true postive rate TPR)，也叫真阳性率

横轴：假正类率(false postive rate FPR)，也叫伪阳性率

(1)真正类率(True Postive Rate)TPR: TP/(TP+FN), 代表分类器 预测为正类中实际为正实例占所有正实例的比例。

(2)假正类率(False Postive Rate)FPR: FP/(FP+TN)，代表分类器 预测为正类中实际为负实例占所有负实例 的比例。

ROC样例

 

关于ROC曲线的绘制可以参考https://www.jianshu.com/p/2ca96fce7e81