【评估指标】分类评估指标之混淆矩阵与ROC/AUC曲线

混淆矩阵相关知识：

1. Precision（查准率）：$Precision = \frac {TP}{TP + FP}$Precision=TP+FPTP​
2. Recall（查全率）：$Recall = \frac {TP}{TP + FN}$Recall=TP+FNTP​
3. F1-Score（P与R的调和平均）：$F1 = \frac {2}{\frac {1}{Precison} + \frac {1}{Recall}}$F1=Precison1​+Recall1​2​
4. 混淆矩阵帮助理解图（该图反映的案例是识别手写数字5）：

ROC/AUC曲线：

5. 该曲线是常用的二分类模型评估标准，甚至比混淆矩阵相关指标更常用。
6. 该曲线图横轴表示FPR（False Positive Rate），纵轴表示的是TPR（True Positive Rate）。
7. 图的曲线表示ROC（receiver operating characteristic），曲线下的面积就是AUC面积值。
8. 通常来说AUC面积越接近1越好（ROC曲线越靠近左上方），却接近0.5越差（ROC曲线越靠近图的对角线）
9. ROC/AUC曲线示意图：

相关python实现代码见专门的模版文章。