一、二分类评估
混淆矩阵（ConfusionMatrix）
TP：1的预测为1（正确的积极）正确判断
FP：0预测为1（错误的积极）错误判断
FN：1预测为0（正确的消极）漏判断的
TN：0预测为0（错误的消极）成功未判断的
准确率(score)：预测对的值占预测总的概率（PR）
精准率(precision)=TP/(TP+FP)-----目标指标预测正确的的概率(预测股票的涨跌)precision_score
召回率:(recall)=TP/（TP+FN）------找到预测目标指标的概率(找病人)recall_score
F1-Score :平衡精准率和召回率=2*precision*recall/(precision+recall)
precision_recall相互平衡
决策边界--阈值：threshold
score：分数值
阈值（threshold）：进行判断区分的值
循环获取每个threshold对应的精确率（precisions）和召回率(recalls)的值
precision_recall（RP曲线）曲线函数：
precision_recall_curve
获取每个阈值对应的精确率和召回率的值
ROC曲线（TPR和FPR之间的关系）
TPR=TP/(TP+FN)预测对的占目标值的比例（召回率recall：找到目标值的概率）Y
FPR=FP/(TN+FP)预测错了占不是目标值的比例（找非目标值为目标值的概率）X
AUC（ROC曲线的面积：最大为1）：面积越大越好
应用场合：比较两个模型的优劣
P/R和ROC是两个不同的评价指标和计算方式，一般情况下，检索用前者，分类、识别等用后者。
一、多分类评估
实际值（0-9）
预测值（0-9）
十分类混淆矩阵：
每个实际值对应预测值的个数（
对角线
为预测值=实际值：即预测正确）
评估 参数：
每一行的预测错误占该行总预测数的比例（err_matrix）
结论：将1预测为9，将8预测为1的比率大
个人有道云：http://note.youdao.com/noteshare?id=331519cb499e55f116c827516dead87b