分类性能评估指标 — 理论篇 — TP、TN、FP、FN，precision、recall、F1、PR曲线，sensitivity、specificity，FPR、TPR、ROC曲线

1. 混淆矩阵：TP，TN，FP，FN

TP：true positive，实际为正例，预测为正例

TN：true negative，实际为负例，预测为负例

FP：false positive，实际为负例，预测为正例

FN：false negative，实际为正例，预测为负例

precision：精确率、查准率，预测为正例的样本中，实际为正例的样本所占的比例

$precision = \frac{TP}{TP + FP}$

recall：召回率、查全率，预测正确的正例样本，占实际正例样本的比例

$recall=\frac{TP}{TP + FN}$

F1 是 precision 和 recall 的调和平均数

$\frac{1}{F1}=\frac{1}{precision}+\frac{1}{recall}$

$F1=\frac{2*precision*recall}{precision+recall}$

PR曲线：以Precision为Y轴，Recall为X轴绘制而成

sensiticity：敏感性（对正例样本的敏感性）

$sensitivity = recall = \frac{TP}{TP+FN}$

specificity：特异度（可以理解为负例样本的敏感性）

$specificity=\frac{TN}{TN+FP}$

FPR：false positive rate，假正例率；预测误判为正例的负样本数量占实际所有负样本的比例

$FPR=\frac{FP}{FP+TN}=1-specificity$

TPR：true positive rate，真正例率；预测正确的正样本数量占实际所有正样本的比例

$TPR=\frac{TP}{TP+FN}=sensiticity=recall$

ROC曲线：以TPR为Y轴，FPR为X轴绘制而成；ROC曲线下面积为AUC。