分类（Classification）算法评估指标
混淆矩阵（Confusion Matrix）：真实值，预测值，预测值和真实值之间的关系。
True positive (TP) ：图中的11，真实值为Positive，预测正确（预测值为Positive）
True negative (TN)：图中的00，真实值为Negative，预测正确（预测值为Negative）
False positive (FP)：图中的01，真实值为Negative，预测错误（预测值为Positive）
False negative (FN)：图中的10，真实值为Positive，预测错误（预测值为 Negative）
1、准确度（Accuracy）：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（对角线）
缺点：样本数据严重不均衡的情况不能使用。
2、精确度（Precision）：表示所有预测得到的正样本中，有多少是真实的正样本（竖：第一列）
3、召回度（Recall）：表示真实正样本有多少被预测正确（横：第一行）
理解：宁可错杀一万，绝不放过一个。（如地震预测，嫌疑人是真的犯人）
4、F-score：平衡精确度和召回率的综合性指标，在[0,1]之间，越接近1越好。
5、假负率：也叫错误拒绝率，表示真实正样本有多少被预测错误，即预测为负样本（横：第一行）
注意：Recall + FNR = 1
6、特异值：表示真实负样本有多少被预测正确（横：第二行）
7、假正率：也叫错误接受率，表示真实负样本有多少被预测错误，即预测为正样本（横：第二行）
8、ROC曲线
- 定义：不同阈值情况下，假正率FPR为横坐标，召回率Recall为纵坐标的曲线。
- 判断：对于一条凸型ROC曲线来说，曲线越靠近左上角越好，越往下越糟糕。
- 评价指标：AUC面积，即ROC曲线下方的面积，值越大，ROC曲线越接近左上角，模型就越好。
7、DET曲线
- 定义：不同阈值情况下，假正率FPR为横坐标，假负率FNR为纵坐标的曲线。
- 判断：对于一条凹型DET曲线来说，曲线越靠近左下角越好，越往上越糟糕。
- 评价指标：等错误率EER（Equal Error Rate），即FRR与FAR相等时的值，即错误接受率与错误拒绝率相等时的值，该值越小，曲线越靠近左下角，效果越好。
注意：ROC曲线上将坐标点（0，1）和（1，0）连接起来，与ROC曲线的交点所对应的FPR值就是EER 。