机器学习之评价函数
相信很多人都跟我一样，对于评价函数总是记不住，每次用到的时候都需要翻一翻笔记来确认一下，希望通过这篇博文能够下次再用到的时候不需要翻笔记吧！！！
对于评价函数需要先从混淆矩阵说起。
一、混淆矩阵
TP（True Positive）：预测结果为正类，实际也是正类。（真正）
FP（False Positive）: 预测结果为正类，实际是负类。（假正）
FN（False Negative）：预测结果为负类，实际是正类。（假负）
TN（True Negative）：预测结果为负类，实际也是负类。（真负）
二、评价指标
1、Precision（精确率）：预测结果为正类中有多少为正类。
Precision = TP/(TP+FP)
2、Recall（召回率）：真实结果为正类中有多少被预测成正类。
Recall = TP/(TP+FN)
（就是灵敏度Sensitivity，同时也是TPR）
3、Accuracy（准确率）：所有预测正确的数量占总测试样本的比重。
Accuracy =（TP+TN）/ (TP+TN+FP+FN)
4、Specificity（特异度）：在真实值是负类的所有结果中，模型预测对的比重。
Specificity = TN/(TN+FP)
5、F1-score :综合考虑Precision和Recall。
F1-score = 2*Precision*Recall / (Precision + Recall)
6、TPR、FPR、TNR、FNR
（1）TPR（True Positive Rate）：所有正类中有多少被预测成正类（正类预测正确），即召回率。
TPR = TP/(TP+FN)
（2）FPR（False Positive Rate）：所有负类中有多少被预测成正类（正类预测错误）。
FPR = FP/(FP+TN)
（3）TNR（True negative Rate）：所有负类中有多少被预测成负类（负类预测正确）。
TNR = TN /（TN+FP）
（4）FNR（False Negative Rate）：所有正类中有多少被预测成反类。（反类预测错误）
FNR = FN / (FN+TP)