介绍机器学习的部分评价指标：混淆矩阵的定义，ACC，ROC曲线和AUC等
混淆矩阵(Confusion Matrix)
ACC
ACC=预测正确的样本/总样本数=True/All
ROC曲线
横轴：False Positive Rate（假阳率，FPR） / 希望小
纵轴：True Positive Rate（真阳率，TPR） / 希望大
显然，ROC曲线的横纵坐标都在[0,1]之间
几种特殊情况：
-
(0,0)：假阳率和真阳率都为0，即分类器全部预测成负样本
-
(0,1)：假阳率为0，真阳率为1，全部完美预测正确，happy
-
(1,0)：假阳率为1，真阳率为0，全部完美预测错误，悲剧
-
(1,1)：假阳率和真阳率都为1，即分类器全部预测成正样本
-
TPR＝FPR，斜对角线，预测为正样本的结果一半是对的，一半是错的，代表随机分类器的预测效果
如何画ROC曲线？取不同的阈值
https://blog.csdn.net/xiaohuihui1994/article/details/87987836
结论：
ROC曲线在斜对角线以下，则表示该分类器效果差于随机分类器，反之，效果好于随机分类器，当然，我们希望ROC曲线尽量除于斜对角线以上，也就是向左上角（0,1）凸。
AUC(Area under the ROC curve)
AUC实际上就是ROC曲线下的面积。AUC直观地反映了ROC曲线表达的分类能力。
-
AUC ＝ 1，代表完美分类器
-
0.5 < AUC < 1，优于随机分类器
-
0 < AUC < 0.5，差于随机分类器
