阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。所以有： P = T P + F N N = F P + T N P = TP+FN \\ N =FP+TN P=TP+FNN=FP+TN 1、准（正）确率accuracy 反映分类器或者模型对整体样本判断正确的能力，即能将阳性（正）样本positive判定为positive和阴性（负）样本negative判定为negative的正确分类能力。值越大，性能performance越好 A C C = T P + T N T P + T N + F P + F N ACC = \frac{TP +TN}{TP+TN+FP+FN} ACC=TP+TN+FP+FNTP+TN
这里注意，在负样本占绝对多数的场景中，不能单纯追求准确率，因为将所有样本都判定为负样本，这种情况下准确率也是非常高的。 2、精确率precision 反映分类器或者模型正确预测正样本精度的能力，即预测的正样本中有多少是真实的正样本。值越大，性能performance越好 p r e c i s i o n = T P T P + F P precision = \frac{TP}{TP+FP} precision=TP+FPTP
这里注意，单纯追求精确率，会造成分类器或者模型少预测为正样本，这时FP低，即精确率就会很高。 3、召回率recall，也称为真阳率、命中率（hit rate） 反映分类器或者模型正确预测正样本全度的能力，增加将正样本预测为正样本，即正样本被预测为正样本占总的正样本的比例。值越大，性能performance越好 r e c a l l = T P R = T P T P + F N = T P P recall =TPR= \frac{TP}{TP+FN} = \frac{TP}{P} recall=TPR=TP+FNTP=PTP 这里注意，单纯追求召回率，会造成分类器或者模型基本都预测为正样本，这时FN低，即召回率就会很高。 4、误报率false alarm，也称为假阳率、虚警率、误检率 反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。值越小，性能performance越好 f a l s e a l a r m = F P R = F P F P + T N = F P N falsealarm = FPR=\frac{FP}{FP+TN} =\frac{FP}{N} falsealarm=FPR=FP+TNFP=NFP
5、漏报率miss rate，也称为漏警率、漏检率 反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。值越小，性能performance越好 m i s s r a t e = F N R = F N T P + F N = F N P missrate = FNR = \frac{FN}{TP+FN} = \frac{FN}{P} missrate=FNR=TP+FNFN=PFN 6、特异度specificity 反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。值越大，性能performance越好 s p e c i f i c i t y = T N R = T N F P + T N = T N N specificity = TNR = \frac{TN}{FP+TN} = \frac{TN}{N} specificity=TNR=FP+TNTN=NTN
