常见模型评估方法

几个经常使用的术语

True Positive   （真正, TP）      被模型预测为正的正样本；能够称做判断为真的正确率
True Negative （真负 , TN）    被模型预测为负的负样本 ；能够称做判断为假的正确率
False Positive  （假正, FP）      被模型预测为正的负样本；能够称做误报率
False Negative（假负 , FN）    被模型预测为负的正样本；能够称做漏报率

评价指标

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity）

TPR = TP /（TP + FN）
正样本预测结果数 / 正样本实际数

True Negative Rate（真负率 , TNR）或特指度（specificity）
TNR = TN /（TN + FP）
负样本预测结果数 / 负样本实际数

False Positive Rate （假正率, FPR）
FPR = FP /（FP + TN）
被预测为正的负样本结果数 /负样本实际数

False Negative Rate（假负率 , FNR）
FNR = FN /（TP + FN）
被预测为负的正样本结果数 / 正样本实际数

精确度（Precision）：
P = TP/(TP+FP) ; 反映了被分类器断定的正例中真正的正例样本的比重

准确率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN);

反映了分类器统对整个样本的断定能力——能将正的断定为正，负的断定为负

召回率(Recall)，也称为 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T; 反映了被正确断定的正例占总的正例的比重