分类评价指标

有些东西虽然简单，但是还是要过个7、8遍才不容易记混记乱。

1. Accuracy
   …

2. Sensitivity
   在患病的所有人中（已经明确知道数据的分布了！），预测正确（判断为有病）的有多少？
   $Sensitivity = \frac{TP}{TP + FN}$Sensitivity=TP+FNTP​

3. Specificity
   在未患病的所有人中（已经明确知道数据的分布了！），预测正确（判断为没病）的有多少？
   $Specificity=\frac{TN}{TN + FP}$Specificity=TN+FPTN​

4. Recall
   Sensitivity = Recall；再提一遍——已经明确知道数据的分布了！

5. Precision
   预测的都是有病的人中，真正有病的人有多少——查准率。
   $Precision = \frac{TP}{TP + FP}$Precision=TP+FPTP​

6. PPV-positive predictive value
   预测的都是有病的人中，真正有病的人有多少——查准率。
   $PPV = \frac{TP}{TP + FP}$PPV=TP+FPTP​
   ⚠️： PPV = Precision

7. NPV-negative predictive value
   在预测的所有没有病的人中，真正没病的人所占的比例。
   $NPV = \frac{TN}{TN + FN}$NPV=TN+FNTN​

8. AUC - ROC曲线下方的面积大小
   ROC：参考*

从AUC判断分类器（预测模型）优劣的标准：

• AUC = 1，是完美分类器，采用这个预测模型时，存在至少一个阈值能得出完美预测。绝大多数预测的场合，不存在完美分类器。
• 0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
• AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
• AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。