在构建分类器，经过大量数据训练测试后，该如何评估这个分类器的效果？这里总结几个常用的衡量分类器表现的指标。

1、Accuracy

对于一份测试集，Accuracy衡量了分类预测label的准确度。

\(Accuracy = \frac{正确标记的测试数据的数量}{总测试数据的数量}\)

例如，预测label为[0，1，0，1]，真是label是[1，1，0，0]，则Accuracy=50%

下面我们引入混淆矩阵（confusion_matrix）的概念，

TP(True Positive)： 预测正，且预测正确
FN(False Negative)：预测为负，但预测错误
FP(False Positive)： 预测为正，但预测错误
TN(True Negative)： 预测为负，且预测正确

那么Accuracy也可以表示为 \(\frac{TP+TN}{TP+FP+FN+TN}\)

2、Error rate

错误率，也就是 \(1-Accuracy = \frac{FP+FN}{TP+FP+FN+TN}\)

3、Precision & Recall

Precision衡量了我们在预测为正的情况下，有多少是预测正确的。

\(Precision = \frac{TP}{TP+FP}\)

Recal衡量了在真实的正类中，我们能预测出多少。

\(Recall = \frac{TP}{TP+FN}\)

这两个指标放在一起是因为通常他们是类似于反比的关系，一个高了另一个可能就很低。

4、F-score

考虑到我们平均模型的时候通常是只采用一个指标，如何结合Precision和Recall呢？就是采用F-score的形式。

\(F-score = \frac{(1+\beta^2)PR}{\beta^2P + R}\)

当\(\beta=1\)时，\(F-score = \frac{2PR}{P + R}\)

5、Sensitivity & Specificity

灵敏度（True Positive Rate） \(Sensitivity = Recall = \frac{TP}{TP+FN}\)

特异性（True Negative Rate） \(Specificity = \frac{TP}{TP+FN}\)

这俩一起介绍是要引入一个下面新的评估方式，ROC曲线和AUC。

6、ROC & AUC

ROC（Receiver Operating Characteristic）曲线是一种用于二分类的经典评估方法，它能形象的展示出模型的判别能力。

横轴：1 - Specificity
纵轴：Sensitivity

图中浅绿色的对角线表示随机猜测，红色曲线表示我们的预测，蓝色的直线表示最理想的分类器结果（即完美预测）

AUC（Area Under the Curve）也就是红色曲线下方的面积，度量了模型的分类能力。

待补充。。。