个人总结：机器学习分类模型评估指标 准确率、精确率、召回率、F1等以及关联规则支持度、置信度

机器学习分类中的常用指标，这几个指标最大的特点，其实是容易看完就忘。。

英文

TP true positive， 前面的字母代表预测是否正确，后面的字母代表预测的类型，TP是预测正确的正例，预测为1实际也为1

TN true negative预测正确的负例，预测为0实际也为0

FP false positive预测错误，预测为正例，实际为负例，所以是预测错误的负例，预测为1实际为0

FN false negative预测错误的正例，预测为1实际为0

准确率-accuracy

精确率-precision

召回率-recall

F1分数-F1-score

ROC 曲线 Receiver Operating Characteristic curve

ROC曲线下面积-ROC-AUC(area under curve)

PR曲线 precision recall curve 

PR曲线下面积-PR-AUC

准确率

准确率和精确率是一对在字面上很容易搞混的名词，准确率 = 预测正确的样本数量/预测总的样本数量。准确率指标在不平衡样本的情况下，基本没有什么实质性说明作用。这很容易理解，假设有100条样本，其中99条正例，1条反例。假设一个模型对所有样本均预测为正例，则这个模型的准确率为99%。然而它并没有泛化作用，因为它无法预测反例。

精确率/召回率

精确率和召回率关系紧密，是一对在含义上很容易混淆的名词。

精确率针对预测结果，所有预测为正的样本的包括：将正例预测为正(TP)，负例预测为正(FP)

精确率，即为预测正确的正例(TP)在所有预测为正例的样本中出现的概率，即分类正确的正样本个数占分类器判定为正样本的样本个数的比例：