本文的部分内容摘自韩家炜《数据挖掘》
----------------------------------------------------------------------------------
四个术语
混淆矩阵（Confusion Matrix）
评估度量
还有一个术语：负正类率(false positive rate, FPR)，也叫做打扰率计算公式为：FPR=FP/(FP+TN)=FP/N。负正类率计算的是分类器错认为正类的负实例占所有负实例的比例
召回率(recall)的理解和记忆方法：假设丰田公司有一批汽车投放到了美国市场，后来发现其中有一部分有问题，现在要召回，召回率=召回的汽车中有问题的汽车数量 / 投放到美国市场的这批汽车中有问题的汽车总数，也就是说召回率的关注焦点在有问题的汽车数量，用召回来了的有问题的汽车数目除以总的有问题的汽车数目。
分类准确率（Accuracy），不管是哪个类别，只要预测正确，其数量都放在分子上，而分母是全部数据数量，这说明正确率是对全部数据的判断。
分类精度（precision）在分类中对应的是某个类别，分子是预测该类别正确的数量，分母是预测为该类别的全部数据的数量。或者说，Accuracy是对分类器整体上的正确率的评价，而Precision是分类器预测为某一个类别的正确率的评价。
ROC曲线和AUC
ROC是受试者工作特征曲线 receiver operating characteristic curve ) 的简写，又称为感受性曲线(sensitivity curve)。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一信号刺激的反应，只不过是在几种不同的判定标准下所得的结果而已。ROC是反映召回率和打扰率连续变量的综合指标,是用构图法揭示召回率和打扰率的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列召回率和打扰率，再以召回率为纵坐标、打扰率为横坐标绘制成曲线。
AUC是ROC曲线下面积(Area Under roc Curve)的简称，顾名思义，AUC的值就是处于ROC curve下方的那部分面积的大小。通常，AUC的值介于0到1.0之间，随机猜测的AUC值为0.5（例子可参考这篇博客）。
分类模型输出的是某个类别的概率值。设定一个阈值，当概率值大于该阈值时，认为样本属于该类，当概率值小于该阈值时，认为样本不属于该类，然后可以算出该阈值下的（召回率，打扰率）。设定不同的阈值，可以得到不同的（召回率，打扰率）。
PRC曲线
precision recall curve, 简称PRC.
ROC曲线和PRC曲线的比较
本节内容摘自ROC曲线 vs Precision-Recall曲线 - hedgehog小子 - 博客园 (cnblogs.com)
