本文主要介绍几种常用的分类评估指标，同时介绍如何绘制ROC曲线以及AUC值的便捷的计算方法。最后再附上一个绘制ROC曲线和计算AUC的源码实现。
Precision和Recall
首先我们来看看下面这个混淆矩阵：
pred_label/true_label | Positive | Negative |
|---|---|---|
Positive | TP | FP |
Negtive | FN | TN |
如上表所示，行表示预测的label值，列表示真实label值。TP，FP，FN，TN分别表示如下意思：
- TP（true positive）：表示样本的真实类别为正，最后预测得到的结果也为正；
- FP（false positive）：表示样本的真实类别为负，最后预测得到的结果却为正；
- FN（false negative）：表示样本的真实类别为正，最后预测得到的结果却为负；
- TN（true negative）：表示样本的真实类别为负，最后预测得到的结果也为负.
根据以上几个指标，可以分别计算出Accuracy、Precision、Recall（Sensitivity，SN），Specificity（SP）。
- Accuracy：表示预测结果的精确度，预测正确的样本数除以总样本数。
- precision，准确率，表示预测结果中，预测为正样本的样本中，正确预测为正样本的概率；
- recall，召回率，表示在原始样本的正样本中，最后被正确预测为正样本的概率；
- specificity，常常称作特异性，它研究的样本集是原始样本中的负样本，表示的是在这些负样本中最后被正确预测为负样本的概率。
在实际当中，我们往往希望得到的precision和recall都比较高，比如当FN和FP等于0的时候，他们的值都等于1。但是，它们往往在某种情况下是互斥的，比如这种情况，50个正样本，50个负样本，结果全部预测为正，那么它的precision为1而recall却为0.5.所以需要一种折衷的方式，因此就有了F1-score。
F1-score表示的是precision和recall的调和平均评估指标。
此外还有MCC：
END
原文链接：https://blog.csdn.net/dream_angel_z/article/details/50867951
