研究机器学习都会研究分类算法，当建立了一个分类算法的模型之后，模型的好坏是需要量化的，最重要的就是分类器的评价指标。那下面主要谈谈分类器的指标。（在这里，主要是介绍一下两类的分类器的评价指标）
下面我们可以看一下两类结果的分析：
1、accuracy（正确率）
它表示的预测结果正确比例。包括正例和负例。
accuracy=（TP + TN） /（P+N）
2、precision（精确度）
它表示的是预测是正例的结果中，实际为正例的比例。
precision=TP/(TP+FP)
3、recall（召回率）
它表示的是实际为正例样本中，预测也为正例的比例。
recall=TP/(TP+FN)
4、F1=2（P*R）/（P+R）
它实际上是precision和recall的一个综合指标。
5、AUC
说到AUC指标，首先需要说一下的是ROC曲线，ROC曲线表示的是以横轴为FPR（False Position Rate 假阳率），纵轴为TPR（True Position Rate 真阳率）的曲线，其中，FPR和TPR的计算方法如下：
由一连串（FPR，TPR）这样的点构成了一条曲线，该曲线就是ROC曲线。而ROC曲线下的面积就是AUC（Area under the curve of ROC）。这就是AUC指标的由来。
对于一个特定的分类器和测试数据集，显然只能得到一个分类结果，即一组FPR和TPR结果，而要得到一个曲线，我们实际上需要一系列FPR和TPR的值构成的点，才能得到这样的曲线，这又是如何得到的呢？
实际上，在我们的分类器模型输出的结果中，它是一种概率输出，并没有给出实际的类别。我们可以根据这个类动态调整某个预测值是否归为哪一类。现在，假如我们已经得到了所有预测样本的概率输出（属于正样本的概率），现在的问题是如何改变这个阈值（概率输出）得到每个样本的类别？我们可以根据每个测试样本属于正样本的概率值（Score）从大到小排序。
下图是一个示例，图中共有20个测试样本，“Class”一栏表示每个测试样本真正的标签（p表示正样本，n表示负样本），“Score”表示每个测试样本属于正样本的概率。
接下来，我们从高到低，依次将“Score”值作为阈值，当测试样本属于正样本的概率大于或等于这个阈值时，我们认为它为正样本，否则为负样本。举例来说，对于图中的第4个样本，其“Score”值为0.6，那么样本1，2，3，4都被认为是正样本，因为它们的“Score”值都大于等于0.6，而其他样本则都认为是负样本。每次选取一个不同的阈值，我们就可以得到一组FPR和TPR，即ROC曲线上的一点。这样一来，我们一共得到了20组FPR和TPR的值，将它们画在ROC曲线的结果如下图：
当我们将阈值设置为1和0时，分别可以得到ROC曲线上的(0,0)和(1,1)两个点。将这些(FPR,TPR)对连接起来，就得到了ROC曲线。当阈值取值越多，ROC曲线越平滑。
可以根据ROC来确定划定正样本的概率边界选择在哪里比较合适！
6、为什么选择ROC、AUC作为分类器的评价指标呢？
既然已经这么多评价标准，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化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化。下图是ROC曲线和Precision-Recall曲线的对比：
在上图中，(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)和(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曲线则变化较大。
