参数定义

在机器学习里面，通过会用到一些评价指标提到ROC曲线，F1-score等问题，这篇文章主要讲述了各参数是如何定义的，以及相互之间的关系。

首先，看一张表格：

接下来，解释着四个参数的具体含义

TP：实际是正例，预测为正例 
FP：实际为负例，预测为正例 
TN：实际为负例，预测为负例 

FN：实际为正例，预测为负例

公式推导

Recall（召回率）=sensitivity（灵敏性）=TPR=TP/(TP+FN)，真正率，可理解为正确的被判断为正确的

Precision（精度）=TP/(TP+FP)，准确度，预测为正类中，实际为正类的比例

FPR=FP/(FP+TN)，负正类率

specificity（特异性）=TN/(TN+FP)=1-FPR，真负率，可理解为错误的被判断为错误的

2/F1-score=1/P+1/R  ，F1值

ROC曲线：以TPR，FPR为Y轴，X轴绘制而成

PR曲线：以Precision，Recall为Y轴，X轴绘制而成