accuracy = tp + tn / (tp + fp + tn + fn)
即正確**的正反例數 /**總數。準確率是**正確的結果佔總樣本的百分比，是很自然就會想到的指標，但很多專案場景都不適用！最主要的原因是樣本不平衡。舉個簡單的例子，比如在乙個總樣本中，正樣本佔90%，負樣本佔10%，樣本是嚴重不平衡的。對於這種情況，我們只需要將全部樣本**為正樣本即可得到90%的高準確率，但實際上我們並沒有很用心的分類，只是隨便無腦一分而已。這就說明了：由於樣本不平衡的問題，導致了得到的高準確率結果含有很大的水分。即如果樣本不平衡，準確率就會失效。
precision = tp / (tp + fp)
即正確**的正例數 /**正例總數。可理解為查準率。在**為正的記錄中，有多少實際為正？
recall = tp / (tp + fn)
即正確**的正例數 / 實際正例總數 。可理解為查全率。在實際為正的記錄中，有多少**為正？
f1 = 2*precision*recall / (precision + recall)
精確率和召回率的調和值。由於precision和recall是一對不可調和的矛盾，很難同時提高二者，也很難綜合評價。故提出f1來試圖綜合二者，f1是p和r的調和平均。f1更接近於兩個數較小的那個，所以精確率和召回率接近時值最大。很多推薦系統會用的評測指標。
fpr表示模型虛報的響應程度，而tpr表示模型**響應的覆蓋程度。我們希望：虛報的越少越好，覆蓋的越多越好。總結一下就是fpr越低tpr越高（即roc曲線越陡），那麼模型就越好。roc曲線無視樣本不平衡。畫曲線的用意是：用假正率與真正率的變化趨勢，來觀察模型是否能在較低的假正率下得到較高的真正率。
如何繪製roc曲線？可以跳轉至：roc曲線的繪製
繪製roc曲線時，橫軸縱軸都是0~1，形成乙個1*1的正方形。auc就是在這個正方形裡roc曲線圍成的面積。如果連線正方形的對角線，它的面積正好是0.5。對角線的實際含義是：隨機判斷響應與不響應，正負樣本覆蓋率都是50%，即auc ＝0.5表示隨機分類器。auc < 0.5表示差於隨機分類器，沒有建模價值；auc ＝ 1表示完美分類器，不存在；0.5 < auc < 1，優於隨機分類器，大多模型都在這個區間裡。
auc的一般判斷標準：
0.5 - 0.7：效果較低，但用於****已經很不錯了。
0.7 - 0.85：效果一般0.85 - 0.95：效果很好。
0.95 - 1：效果非常好，但基本不太可能。
二分類模型評估
分類演算法最常見的指標是分類準確率 accuracy 而當樣本中的分類極度不均衡時，accuracy不能說明問題 例如在100個觀測樣本中，有95個0，5個1，全部 為0，accuracy是95 已經很高了 一般我們用混淆矩陣 confusion matrix 來描述二分類的好壞，也通過此矩陣衍生出...
二分類問題模型指標
正如下圖所示，f1的值同時受到p r的影響，單純地追求p r的提公升並沒有太大作用。在實際業務工程中，結合正負樣本比，的確是一件非常有挑戰的事。auc是roc的積分 曲線下面積 是乙個數值，一般認為越大越好，數值相對於曲線而言更容易當做調參的參照。pr曲線會面臨乙個問題，當需要獲得更高recall時...
二分類模型評價指標 AUC
auc的含義和計算 auc針對二分類模型效果進行評價，二分類模型有時可能得到的是乙個概率值，這個概率值表明為 0或1類 的可能性 不同於決策樹分類，我們會直接得到乙個確切分類 我們劃定乙個具體概率值p，大於則為正，小於則為負，然後使用acc或其他指標評價，其實這樣做有很大漏洞，我們不能準確找到這個具...