模型评价指标
机器学习模型中常见的是分类问题，分类模型的评价指标主要有：
（1）精确率
（2）召回率
（3）F值
（4）AUC值（ROC曲线）
分类问题可划分成二分类和多分类问题，其中二分类最为常见，多分类问题大都也是转化成二分类问题求解，因此本文主要基于二分类模型进行模型评价指标的分析。
1）给定标记好的模型训练数据，经分类模型输出的结果为混淆矩阵，具体如下：
Precision : P = TP/( TP+FP)
Recall : R = TP/( TP+FN)
F = (1+a)P*R/(a2p + R)
当a=1时，F1 = 2*P*R/(P+R)
ROC曲线：
纵坐标-TPR: TPR = TP/( TP+FN), 值域[0,1]
横坐标-FPR : FPR = FP/(FP+TN), 值域[0,1]
AUC值等于ROC曲线下方的面积，值域为[0,1]
ROC曲线是由多组（FPR,TPR）数值拟合形成的曲线，其中（FPR,TPR）代表模型在不同阈值下基于混淆矩阵统计得到的结果。在分类模型中，模型输出的初始结果是概率值，然后指定具体的阈值后输出类别标签（正类or 负类）。因此，ROC曲线能够弥补阈值选取问题导致分类器的衡量偏差（精确率和召回率均在指定的阈值下统计出的结果），能够更好的衡量模型的分类性能，AUC值越高，证明模型的分类能力越好。（需考虑正负样本不均衡产生的问题）