（1）混淆矩阵
在分类任务中，预测结果(Predicted Condition)与正确标记(True Condition)之间存在四种不同的组合，构成混淆矩阵，既适用于二分类任务，又适用于多分类任务。
（2）精确率(Precision)与召回率(Recall)
准确率 =（TP+TN）/ (TP+FP+FN+TN)
精确率：预测结果为正例样本中真实为正例的比例（了解） = TP / (TP + FP)
召回率：真实为正例的样本中预测结果为正例的比例（查得全，对正样本的区分能力） = TP / (TP + FN)
（3）F1-score
F1-score，反映了模型的稳健型, 取值分为为0-1，取值越接近1越好，适用于多分类！
（4）分类评估报告api
- sklearn.metrics.classification_report(y_true, y_pred, labels=[], target_names=None )
-
- y_true：真实目标值
- y_pred：估计器预测目标值
- labels:指定类别对应的数字
- target_names：目标类别名称
- return：每个类别精确率与召回率
（5）ROC曲线与AUC指标
TPR与FPR
扫描二维码关注公众号，回复：
13067742 查看本文章
- TPR = TP / (TP + FN)
- 所有真实类别为1的样本中，预测类别为1的比例
- FPR = FP / (FP + TN)
- 所有真实类别为0的样本中，预测类别为1的比例
ROC（receiver operating characteristic curve）曲线
- ROC曲线的横轴就是FPRate，纵轴就是TPRate，当二者相等时，表示的意义则是：对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的，此时AUC为0.5
AUC指标
- AUC的概率意义是随机取一对正负样本，正样本得分大于负样本得分的概率
- AUC的范围在[0, 1]之间，并且越接近1越好，越接近0.5属于乱猜
- AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。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只能用来评价二分类
- AUC非常适合评价样本不平衡中的分类器性能
AUC计算API
from sklearn.metrics import roc_auc_score
- sklearn.metrics.roc_auc_score(y_true, y_score)
- 计算ROC曲线面积，即AUC值
- y_true：每个样本的真实类别，必须为0(反例),1(正例)标记
- y_score：预测得分，可以是正类的估计概率、置信值或者分类器方法的返回值