机器学习中的评价指标(分类指标评Accuracy、Precision、Recall、F1-score、ROC、AUC ）（回归指标评价MSE、RMSE、MAE、MAPE、R Squared）

1.机器学习中的评价指标

简要介绍精度、精确率、召回率、P-R曲线、F1 值、TPR、FPR、ROC、AUC等指标

基础

（一）分类指标评价

在分类任务中，各指标的计算基础都来自于对正负样本的分类结果，用混淆矩阵表示为：

from sklearn.metrics import confusion_matrix
y_pred = [0,1,0,1]
y_true = [0,1,1,1]
confusion_matrix(y_true, y_pred, labels=[1, 0])

下面的表中P或者N都是代表了为预测出来的分类，分别代表了正类和负类，然后T或者F就代表了样本实际的分类与预测是一样的还是不一样的，我觉得这样去理解，应该就不会混了。

精度

1.Accuracy

定义：(TP+TN)/(TP+FN+FP+TN)
即所有分类正确的样本占全部样本的比例

## accuracy
import numpy as np
from sklearn.metrics import accuracy_score
y_pred = [0,1,0,1]
y_true = [0,1,1,1]
print('ACC:',accuracy_score(y_true,y_pred))

精确率

2.Precision、查准率

定义：(TP)/(TP+FP)
即预测是正例的结果中，确实是正例的比例

分母为预测为正样例的个数 ；分子为预测为实际正样例被预测准的个数

from sklearn import metrics
y_pred = [0,1,0,1]
y_true = [0,1,1,1]
print('Precision',metrics.precision_score(y_true,y_pred))

召回率

3.Recall、查全率

定义：(TP)/(TP+FN)
即所有正例的样本中，被找出的比例
分母为实际正样例的个数；分子为预测为实际正样例被预测准的个数

from sklearn import metrics
y_pred = [0,1