| | T | F | |—|—|—| | Positive | TP | FP | | Negative | FN | TN | TP: 预测结果是Postive这个命题本身是TRUE TF: 预测结果是Negative这个命题本身是TRUE FP: 预测结果是Postive这个命题本身是FALSE FN: 预测结果是Negative这个命题本身是FALSE

Recall = TP/(TP+FN) ,所有原本是postive的样本中被正确预测到的占比

• 之所以叫Recal就是对原本情况的追溯

Precision = TP/(TP+FP), 所有被预测为Positive的样本中被正确预测的占比

• 预测结果被分为两部分，正确预测和错误预测

Accuracy = (TP+TN)/Total, 所有样本被正确预测的占比

为什么用RoC来衡量分类器（classifer）的好坏？

• 期望 最大化 True Positive 的比例，同时 最小化 False positive 的比例
• 极端情况是TPR=1， FPR=0