机器学习模型准确率，精确率，召回率，F-1指标及ROC曲线

01准确率，精确率，召回率，F-1指标及ROC曲线
假设原样本有两类，正样本True和负样本False
正样本 -------------------------------True
负样本 --------------------------------False
真 正样本 True Positive(TP)----------将正类预测为正类
真 负样本 True Negative(TN)--------将负类预测为负类
假正样本-------负样本---------False Positive(FP)-------将负类预测为正类
假负样本----------正样本--------False Negative(FN)-----将正类预测为负类

1.准确率(accuracy)计算公式
被分对的样本个数除以总的样本个数
注：准确率是最常见的评价指标，通常来说，正确率越高，分类器越好
2.精确率（Precision）
精确率定义为： 预测的正样本中正样本所占的比率

3.召回率(Recall）：实际的正样本中正样本被分为正例的比率

4.综合评价指标F-1

注：可知F1综合了P和R的结果，当F1较高时则能说明试验方法比较有效。
5.ROC曲线和AUC
ROC曲线是以假正率（FP_rate）真正率（TP_rate）为轴的曲线，ROC曲线下面的面积我们叫做AUC

所有的负样本中，被预测为正样本的比率

所有的正样本中，被预测为正样本的比率

AUC = 1，是完美分类器，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 = 0.5，跟随机猜测一样，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。