深度学习分类任务中的准确率、精确率（查准率）、召回率（查全率）、F1值、ROC曲线的AUC值，

0. 混淆矩阵

其中关于 TP, TN; FP, FN 的解释；

其中
首字母 T，F代表预测的情况，即T代表预测的结果是对的， F代表预测的结果是错误的；
第二个字母代表预测是预测为 正样本，还是负样本， Positve 代表正样本;

注意，
此时这里的正样本代表的是预测属于某一类别的样本；
负样本则代表预测不属于某一类别的样本。

举例说来

• TP: True 模型预测正确， 预测为正样本Positive;
• FN: False 模型预测错误， 预测为负样本 Negative;

通常情况下，混淆矩阵中， 行代表真实值，列代表预测值，

此外，存在部分代码仓库， 与此不一致，使用列代表真实值，行代表预测值，
需要阅读代码的时候，通过查看文档确定；

1. 基础指标

1.1 准确率 （accuracy）

准确率：衡量正确预测的样本占总样本的比例。这是最简单的指标，

计算方式为 ：
$$\frac{预测正确的样本数目}{所有预测的样本数目}$$

更具体的表达：

$$Acc=\frac{TP+TN}{TP+TN+FP+FN}$$

然而，普通的准确率不适合不平衡的数据集。

• 因为在类别不均衡的数据集中，
  假设正常类别的样本数目特别多, 异常类别的样本数目很少。

此时， 正常样本的预测正确的个数很高， 但是异常类别的样本全部预测错误，
此时，在这种情况下， 整体样本的准确率仍然非常高， 然而实际情况却并非如此，因为此时异常样本的预测的准确率几乎为0；

由于样本不平衡的问题，导致了得到的高准确率结果含有很大的水分。即如果样本不平衡，准确率就会失效。

正因为如此，也就衍生出了其它两种指标：精准率和召回率。

• 准确率则代表整体的预测准确程度，包括正样本和负样本。
• 精准率代表对正样本结果中的预测准确程度， 精准率是用来衡量预测结果的；

1.2 精准率（查准率） Precision

精准率（Precision）又叫查准率，它是用来衡量预测结果的。
在预测结果为正类的数据中，有多少数据被正确预测.

• 它评估模型预测正类的准确性，计算公式为:
  公式表达为，正确预测为正样本的个数占所有预测为正样本总数的比率。

$$Pre=\frac{TP}{TP+FP}$$

分子: True Positive: 预测正确，且预测为正样本. 即混淆矩阵中，在每一行中处于对角线位置上的值；

分母: False Positive: 预测错误， 且预测为正样本. 在混淆矩阵中，体现为每一列上， 除去对角线位置上的那个数值（代表预测正确，为正样本）， 其余的都是代表了的错误的预测为正样本。

1.3 召回率（查全率） Recall (Sensitivity)

召回率（Recall）又叫查全率，它是针对原样本而言的，即”是否找得全”

召回率(Recall) 是针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率。

• 它衡量正确预测的正样本个数与所有实际正样本的比率。

• 它评估模型检测所有正实例的能力，

具体的表达：

Recall=TPTP+FN Recall = \frac{TP }{TP + FN }