（精确度，召回率，真阳性，假阳性）ACC、敏感性、特异性
等ROC指标
大连日语培训机构排名1、概念
txx
⾦标准（标准集）
学英语音标
预测算法
验证存在（T）验证不存在（F）合计
（预测集）
预测存在（P）预测为正，真实为正（TP）预测为正，真实为负（FP）P（预测为正样本）
预测不存在（N）预测为负，真实为正（FN）预测为负，真实为负（TN）N（预测为负样本）
合计T（验证为正样本）F（验证为负样本）所有样本数（P+N或者T+F）
简化后：
标准集
测试集正样本负样本合计
预测正样本TP FP P
预测负样本FN TN N
合计T F P+N或者T+F
准确率（Accuracy）：Acc = ( TP + TN ) / ( P +N )
精确度( precision )：TP / ( TP+FP ) = TP / P
召回率（recall）：TP / (TP + FN ) = TP / T
真阳性率（True positive rate）：TPR = TP / ( TP+FN ) = TP / T （敏感性 nsitivity）
真阴性率（TNR：true negative rate）：TNR= TN / (FP + TN) （：specificity），描述识别出的负例占所有负例的⽐例
假阳性率（Fal positive rate）：FPR = FP / ( FP + TN ) = FP / Flily英语培训
假阴性率 (Fal Negative Rate）：FNR = FN /（TP + FN）
F-measure：2*recall*precision / ( recall + precision )
ROC曲线：FPR为横坐标，TPR为纵坐标
PR曲线：recall为横坐标，precision 为纵坐标
=====概念解释=============
敏感性 Sensitivity
make it better
敏感性⼜称真阳性率，就是发病之后，你的诊断⽅法对疾病的敏感程度（识别能⼒）。
敏感性越⾼，漏诊概率越低。
圣诞快乐的英语特异性 Specificity
特异性⼜称真阴性率，不发病（我们这⾥称之为健康）的特征是有别于发病的特征的，我们利⽤这些差异避免误诊，那么诊断标准对于这些差异利⽤的如何就⽤特异性来表⽰。
⾦标准（标准集）knaller
验证存在（T）
验证不存在（F）
合计
预测存在（P）
预测为正，真实为正（TP=53）
预测为正，真实为负（FP=4）
P=57（预测为正样本）
特异性越⾼，确诊概率越⾼。========================从这个表格中可以引出⼀些其它的评价指标：
- ACC：classification accuracy，描述分类器的分类准确率 计算公式为：ACC=(TP+TN)/(TP+FP+FN+TN) - BER：balanced error rate
计算公式为：BER=1/2*(FPR+FN/(FN+TP))
- TPR：true positive rate，描述识别出的所有正例占所有正例的⽐例 计算公式为：TPR=TP/ (TP+ FN)
- FPR：fal positive rate，描述将负例识别为正例的情况占所有负例的⽐例 计算公式为：FPR= FP / (FP + TN)聂元梓的大字报
- TNR：true negative rate，描述识别出的负例占所有负例的⽐例 计算公式为：TNR= TN / (FP + TN) - PPV：Positive predictive value 计算公式为：PPV=TP / (TP + FP) - NPV：Negative predictive value 计算公式：NPV=TN / (FN + TN)
persona non grata其中TPR即为敏感度（nsitivity），TNR即为特异度（specificity）。
2、测试例⼦
⼗次⼗折后计算的预测标签
计算例⼦，⽐如第10次计算，通过excel筛选器，筛选预测pda=1,label =1，共TP = 53个病例.筛选预测pda=1,label =0共FP = 4个病例.筛选预测pda=0,label =1，共FN = 11个病例.筛选预测pda=0,label =0，共TN = 44个病例.
预测算法（预测集）预测不存在（N）预测为负，真实为正（FN=11） 预测为负，真实为负
（TN=44）
N=55（预测为负样本）合计T=64（验证为正样本）F=48（验证为负样本）
所有样本数（P+N或者
T+F=112）
敏感性 （nsitivity） TPR = TP / ( TP+FN ) = TP / T =0.828125
（specificity） TNR= TN / (FP + TN) = 44/48 = 0.9166666666666667
语文表达方式准确率（Accuracy）：Acc = ( TP + TN ) / ( P +N ) = （53+44 ）/112 = 0.8660714285714286
