混淆矩阵

混淆矩阵:

针对实际样本（Positive, Negitive）
针对预测结果（True, False）
 

TP 真阳 正样本预测为正例 预测正确
TN 真阴 负样本预测为负例 预测正确
FP 假阳 负样本预测为正例 预测错误
FN 假阴 正样本预测为负例 预测错误

1. 召回率Recall = TP / (TP+FN)
衡量原样本中正样本中预测正确的比例
也称为：灵敏度； 敏感性；查全率；
2. 精确率Precision = TP / (TP+FP)
表示预测为正例的样本中预测正确的比例
3. 特异性Specificity = TN / (TN+FP)
衡量原样本中负样本中预测正确的比例
4. ROC曲线
横轴： 假阳率 = FP /（TN+FP）； 越小越好
预测为正例，但预测错误了，即负样本中预测为正例的，
也就是衡 量原样本中负例预测错误的比例，也等于（1 - 特
异性）
纵轴： 真阳率 = TP / (TP + FN)； 越大越好
预测为正例，且预测正确了，即正样本中预测为正例的，
也就是衡 量原样本中正例预测正确的比例，也就是召回率
 

ROC曲线在斜对角线以下，则表示该分类器效果差于随机分类器，反之，效果
好于随机分类器，当然，我们希望ROC曲线尽量除于斜对角线以上，也就是向
左上角（0,1）凸

5. AUC(Area under the ROC curve)
AUC实际上就是ROC曲线下的面积，直观地反映了ROC曲线表达
的分类能力