分类器的常用性能指标的通俗释义

1. TP（True Postive）、TN（True Negative）、FP（False Negative）、 FN（False Negative）

举个医生看病的例子：

假设患病为阳性（Positive），健康为阴性（Negative）

当医生正确地将患病病人确诊为有病，那么就是TP；当医生正确地将康复病人确诊为没病，那么就是TN；

当医生错误地将健康病人确诊为有病，那么就是FP；当医生错误地将患病病人确诊为没病，那么就是FN；

2. 准确率（Precision）的公式

Precision =TP/(TP+FP)

可以理解为医生预测对的阳性（患病）数占医生预测阳性（患病）总量的比率。

但是该指标有局限性，因为没有用到真正的阳性总数，所以就有了召回率。

3. 召回率（Recall）的公式

Recall = TP/(TP+FN)

可以理解为医生预测对的阳性（患病）数占真正的阳性（患病）数的比率。

但是该指标同样也存在局限性，尤其当阴阳样本失衡——阳性样本数接近于总样本数时，所以就有了 F 值。

4. F 值的公式

F=2rp/(p+r)

p 即 Precision, r 即 Recall，所以 F 值又被称为准确率和召回率的调和值。

单一的准确率高和召回率高并不能说明问题，所以才有了F值的衡量指标。

5. ROC 空间的含义

ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。这两个值由上面四个值计算得到,公式如下:

TPR：在所有实际为阳性的样本中，被正确地判断为阳性之比率。

TPR=TP/(TP+FN) 【与召回率公式相同】

FPR：在所有实际为阴性的样本中，被错误地判断为阳性之比率。

FPR=FP/(FP+TN)

放在医生看病的例子上来理解上述两个指标：

那么尽量把有病的揪出来是主要任务,也就是第一个指标TPR,要越高越好；

而把没病的样本误诊为有病的,也就是第二个指标FPR,要越低越好；

反映在图上就是在相同的 FPR 的条件下，TPR越高越好，ROC 曲线下方覆盖的面积越大越好。

文章来源: panda1234lee.blog.csdn.net，作者：panda1234lee，版权归原作者所有，如需转载，请联系作者。

原文链接：panda1234lee.blog.csdn.net/article/details/70945179