机器学习评估指标总结
1.准确率
精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。
P = TP/(TP+FP)
2.召回率
召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，
另一种就是把原来的正类预测为负类(FN)。
R = TP/(TP+FN)
3.信息检索领域：
查准率查全率＝检索出的相关信息量检索出的信息总量＝检索出的相关信息量系统中的相关信息总量查准率＝检索出的相关信息量检索出的信息总量查全率＝检索出的相关信息量系统中的相关信息总量
4.ROC曲线
In signal detection theory, a receiver operating characteristic (ROC), or simply ROC curve, is a graphical plot which illustrates the performance of a binary
classifier system as its discrimination threshold is varied.
比如在逻辑回归里面，我们会设一个阈值，大于这个值的为正类，小于这个值为负类。如果我们减小这个阀值，
那么更多的样本会被识别为正类。这会提高正类的识别率，但同时也会使得更多的负类被错误识别为正类。
为了形象化这一变化，在此引入 ROC ，ROC 曲线可以用于评价一个分类器好坏。
ROC 关注两个指标： TP rate和FP rate，
true
positive rate:false
positive rate:TPR=TPTP+FNFPR=FPFP+TNtrue
positive rate:TPR=TPTP+FNfalse positive rate:FPR=FPFP+TN
直观上，TPR 代表能将正例分对的概率，FPR 代表将负例错分为正例的概率。在 ROC 空间中，每个点的横坐标是 FPR，纵坐标是 TPR，
这也就描绘了分类器在 TP（真正率）和 FP（假正率）间的 trade-off2。
然后右图就是以FP为横坐标，TP为纵坐标画出的图，我们目标要使TP尽量的大