1 分类

1.1 混淆矩阵

• True Positive(真正, TP)：将正类预测为正类数.
• True Negative(真负 , TN)：将负类预测为负类数.
• False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).
• False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error).

关系如下表所示：

1.1.1 准确率 Accuracy, ACC

ACC(Accuracy) = frac{TP+TN}{TP+TN+FP+FN}

注：在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc 也有 99% 以上，没有意义

1.1.2 精确率 或 查准率 Precision, P

P=frac{TP}{TP+FP}

注： 精确率(precision)和准确率(accuracy)是不一样的

1.2.3 召回率 或 查全率 Recall, R

R=frac{TP}{TP+FN}

1.2.4 F1 测量值

frac{2}{F1} = frac{1}{P} + frac{1}{R} \ F1 = frac{2TP}{2TP + FP + FN}

注： F1 是精确率和召回率的调和均值

1.3 AUC

AUC 是 ROC (Receiver Operating Characteristic) 曲线以下的面积, 介于0.1和1之间。Auc作为数值可以直观的评价分类器的好坏，值越大越好。

1.3.1 ROC 曲线

这里不赘述ROC的一些细节，参考ROC和AUC介绍以及如何计算AUC

ROC曲线关注两个指标：

true~positive~rate: TPR = frac{TP}{TP + FN}\ false~positive~rate: FPN = frac{FP}{FP + TN}

ROC 曲线如图(a)所示，横坐标是false positive rate, FPN, 纵坐标是true positive rate, TPR

首先AUC值是一个概率值，当你随机挑选一个正样本以及负样本，当前的分类算法根据计算得到的Score值将这个正样本排在负样本前面的概率就是AUC值，AUC值越大，当前分类算法越有可能将正样本排在负样本前面，从而能够更好地分类。

简单说：AUC值越大的分类器，正确率越高 :

• AUC=1，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（例：丢铜板），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，因此不存在 AUC<0.5 的情况。

1.3.2 为什么要使用ROC曲线 和 AUC 评价分类器

既然已经这么多标准，为什么还要使用ROC和AUC呢？因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变换的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现样本类不平衡，即正负样本比例差距较大，而且测试数据中的正负样本也可能随着时间变化。下图是ROC曲线和Presision-Recall曲线的对比：

• (a)和 (c)为Roc曲线，(b)和(d)为Precision-Recall曲线。
• (a)和(b)展示的是分类其在原始测试集(正负样本分布平衡)的结果，(c)(d)是将测试集中负样本的数量增加到原来的10倍后，分类器的结果，可以明显的看出，ROC曲线基本保持原貌，而Precision-Recall曲线变化较大。

2 回归

2.1 平均绝对误差

1. http://www.cnblogs.com/dlml/p/4403482.html

1. https://beader.me/2013/12/15/auc-roc/
2. http://alexkong.net/2013/06/introduction-to-auc-and-roc/