准确率 - accuracy

精确率 - precision

召回率 - recall

F1值 - F1-score

ROC曲线下面积 - ROC-AUC （area under curve）

PR曲线下面积 - PR-AUC

AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。

ROC曲线全称为受试者工作特征曲线 （receiver operating characteristic curve），它是根据一系列不同的二分类方式（分界值或决定阈），以真阳性率（敏感性）为纵坐标，假阳性率（1-特异性）为横坐标绘制的曲线。

AUC就是衡量学习器优劣的一种性能指标。从定义可知，AUC可通过对ROC曲线下各部分的面积求和而得

ROC曲线的横坐标是假正类率(False Positive Rate），纵坐标是真正类率，(True Positive Rate），相应的还有真负类率，(True Negative Rate）和假负类率，（False Negative Rate）。这四类指标的计算方法如下：

TP（True Positive）：真正例，模型预测为正例，实际是正例 FP（False Positive）：假正例，模型预测为正例，实际是反例 FN（False Negative）：假反例，模型预测为反例，实际是正例 TN（True Negative）：真反例，模型预测为反例，实际是反例

（1）假正类率（FPR）：判定为正例却不是真正例的概率，即真负例中判为正例的概率 （2）真正类率（TPR）：判定为正例也是真正例的概率，即真正例中判为正例的概率（也即正例召回率） （3）真负类率（FNR）：判定为负例却不是真负例的概率，即真正例中判为负例的概率。 （4）假负类率（TNR）：判定为负例也是真负例的概率，即真负例中判为负例的概率。 TP + FP + TN + FN = 样本总数 比如我们有100个样本，其中90个为正，10个为负，然后我们训练一个模型，直接将100个样本都判定为阳性。这个时候混淆矩阵：

查准率 P = TP/(TP+FP) = 90/(90+10) = 0.9 查全率 R = TP/(TP+FN) = 90/(90+0) =1

一般查准率高时查全率比较低 ，查全率高时查准率比较低。 以西瓜书选西瓜为例: 如果希望把所有好瓜调出来，如果增加选瓜的数量，可将所有瓜选上，那所有好瓜就被选上了，这样查全率比较高，但是查准率下降。 如果希望选中好瓜比例尽可能高，只选有把握的瓜，那很多好瓜可能被遗漏，使得查全率下降，查准率上升。

m个样本中有a个样本分类错误，则错误率为E=a/m ，精度 （acc）=1-错误率

有100个样本，其中90个为正，10个为负，然后我们训练一个模型，直接将100个样本都判定为阳性。这个时候准确率为： 1 - 10/100 = 0.9

recall是相对真实的答案而言： true positive ／ golden set （你的模型能预测覆盖到多少）。

假设测试集里面有100个正例，如果你的模型预测到了40个正例，那你的recall就是40%。

precision是相对你自己的模型预测而言：true positive ／retrieved set。 假设你的模型一共预测了100个正例，而其中80个是对的正例，那么你的precision就是80%。 我们可以把precision也理解为，当你的模型作出一个新的预测时，它的confidence score 是多少，或者它做的这个预测是对的的可能性是多少。

https://www.cnblogs.com/ai-ldj/p/14259041.html https://blog.csdn.net/ritterliu/article/details/89452188 https://blog.csdn.net/qq_36426650/article/details/88073089