【】评价指标

参考
True Positive(真正，TP)：将正类预测为正类数
True Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数→误报
False Negative(假负，FN)：将正类预测为负类数→漏报

准确率= T P + T N T P + T N + F P + F N frac{TP+TN}{TP+TN+FP+FN} TP+TN+FP+FNTP+TN​
通常来说，正确率越高，分类器越好。准确率确实是一个很好很直观的评价指标，但是有时候准确率高并不能代表一个算法就好。比如预测地震中，数据分布不平衡，正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷

灵敏度=frac{TP}{P}
所有正例中被分对的比例，衡量了分类器对正例的识别能力

灵敏度=frac{TN}{N}
所有正例中被分对的比例，衡量了分类器对正例的识别能力

精确率= T P T P + F P frac{TP}{TP+FP} TP+FPTP​
表示被分为正例的示例中实际为正例的比例

召回率= T P T P + F N frac{TP}{TP+FN} TP+FNTP​
等同于灵敏度，度量有多个正例被分为正例

P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure
F1分数同时考虑精确率和召回率，让两者同时达到最高,当F1较高时则能说明试验方法比较有效
F1-measure= 2 ∗ 精 确 率 ∗ 召 回 率 精 确 率 + 召 回 率 frac{2*精确率*召回率}{精确率+召回率} 精确率+召回率2∗精确率∗召回率​

ROC曲线是以假正率（FP_rate）和真正率（TP_rate）为轴的曲线，ROC曲线下面的面积我们叫做AUC越大，说明性能越好

在极度不平衡的数据下（Positive的样本较少），PR曲线可能比ROC曲线更实用

kappa系数常用于一致性检验，也用于判断分类精度，值在[-1,1]。对于评分系统, 一致性就是不同打分人平均的一致性; 对于分类问题，一致性就是模型预测结果和实际分类结果是否一致
K = P 0 − P e 1 − P e K=frac{P_0-P_e}{1-P_e} K=1−Pe​P0​−Pe​​
P 0 = ∑ i = 1 3 a i i N P_0=frac{sum_{i=1}^3a_{ii}}{N} P0​=N∑i=13​aii​​,预测的准确率
P e = ∑ i = 1 3 a i + ∗ a + i N 2 P_e=frac{sum_{i=1}^3a_{i+}*a_{+i}}{N^2} Pe​=N2∑i=13​ai+​∗a+i​​

时间复杂度、效率、
鲁棒性：处理缺失值和异常值的能力
可扩展性：处理大数据集的能力
可解释性：分类器的预测标准的可理解性