混淆矩阵中：
模型整体效果：准确率：
1. 准确率 Accuracy 就是所有预测正确的所有样本除以总样本，通常来说越接近 1 越好
2. 捕捉少数类的艺术：精确度，召回率和 F1 score：
精确度 Precision ，又叫查准率，表示所有被我们预测为是少数类的样本中，真正的少数类所占的比例。 精确度是 ” 将多数类判 错后所需付出成本 “ 的衡量。
# 所有判断正确并确实为 1 的样本 / 所有被判断为 1 的样本# 对于没有 class_weight ，没有做样本平衡的灰色决策边界来说：( y [ y == clf . predict ( X )] == 1 ). sum () / ( clf . predict ( X ) == 1 ). sum ()
# 对于有 class_weight ，做了样本平衡的红色决策边界来说：( y [ y == wclf . predict ( X )] == 1 ). sum () / ( wclf . predict ( X ) == 1 ). sum ()
召回率 Recall ，又被称为敏感度 (sensitivity) ，真正率，查全率，表示所有真实为 1 的样本中，被我们预测正确的样
本所占的比例。
#所有predict为1的点 / 全部为1的点的比例
#对于没有class_weight，没有做样本平衡的灰色决策边界来说：
(y[y == clf.predict(X)] == 1).sum()/(y == 1).sum()#对于有class_weight，做了样本平衡的红色决策边界来说：
(y[y == wclf.predict(X)] == 1).sum()/(y == 1).sum()
假负率（ False Negative Rate ） ，它等于 1 - Recall ，用于衡量所有真实
为 1 的样本中，被我们错误判断为 0 的
判错多数类的考量：特异度与假正率：
特异度 (Specifificity) 表示所有真实为 0 的样本中，被正确预测为 0 的样本所占的比例。在支持向量机中，可以形象地
表示为，决策边界下方的点占所有紫色点的比例。
#所有被正确预测为0的样本 / 所有的0样本
#对于没有class_weight，没有做样本平衡的灰色决策边界来说：
(y[y == clf.predict(X)] == 0).sum()/(y == 0).sum()#对于有class_weight，做了样本平衡的红色决策边界来说：
(y[y == wclf.predict(X)] ==0).sum()/(y == 0).sum()
特异度衡量了一个模型将多数类判断正确的能力，而 1 - specifificity 就是一个模型将多数类判断错误的能力 ，这种
能力被计算如下，并叫做 假正率。
类 含义
sklearn.metrics.confusion_matrix 混淆矩阵
sklearn.metrics.accuracy_score 准确率accuracy
sklearn.metrics.precision_score 精确度precision
sklearn.metrics.recall_score 召回率recall
sklearn.metrics.precision_recall_curve 精确度- 召回率平衡曲线
sklearn.metrics.f1_score F1 measure
版权声明：本文为bingbangx原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。