最近兩天擁抱了北京這個城市，感覺大氣粗獷，整個人都更有精神了。紫禁城好大，頤和園更大，不自量力的我買了聯票，結果根本沒法逛完。北京人民也熱情，坐在船上，開船大爺不停招呼：這邊可以拍十七孔橋了，視野好面積大；那邊可以拍玉帶橋了；坐著我幫你拍幾張；你手托著塔，自然點沒事。然後走在路上，問一個姑娘東宮門在哪呢，一個走路風風火火的大媽不打自招：就在前面右拐……北京人民的熱情，足以抵禦漫長的寒冬。

回來也要好好學習了，今天學習度量分類算法的性能好壞的幾個重要指標：）

首先申明下縮寫：P: Positive; N: Negative; TP: True Positive; FP: False Positive; TPR: True Positive Rate; TN, FN, FPR:你懂的。

1. 準確率(accuracy)

對於給定的測試數據集，分類器正確分類的樣本數與總樣本數之比。

A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分類器統對整個樣本的判定能力——能將正的判定為正，負的判定為負。

2. 混淆矩陣(confusion matrix)

3. 精確率(Precision), 召回率(Recall)和F1-Measure

精確率（Precision）：

PRE = TP/(TP+FP) ; 反映了被分類器判定的正例中真正的正例樣本的比重。

召回率(Recall)，也稱為 True Positive Rate:

REC = TP/(TP+FN) ; 反映了被正確判定的正例占總的正例的比重。

F1-Measure，可以理解為精確率和召回率的幾何平均：

F1 = 2 * PRE * REC/ (PRE+REC)；

另外一個有用的函數是classification_report，它對所有分類類別(y的所有取值)都提供了精確率, 召回率, fscore計算 。

以上幾個metrics特別適用於實踐中經常遇到的兩種情況：

1.不平衡的類別：即某一類別比其他類別出現頻率高得多；

2.不對等的代價：即某一分類錯誤比其他分類錯誤需要付出更高的代價（如把癌癥患者判斷為非癌癥，後果不堪設想）。

4. ROC & AUC

首先理解兩個公式：

TPR = TP / (TP + FN) —— 可以理解為對正例的敏感度

FPR = FP / (FP + TN) —— 可以理解為對正例的瞎敏感度

WIKI定義：

The ROC curve is created by plotting the true positive rate (TPR) against the false positive rate (FPR) at various threshold settings.

ROC曲線畫的是當threshold變化時，FPR（x）和TPR（y）的對應關系。當測試樣本是正樣本的概率值大於某個閾值時（常用0.5），即認為它是正樣本，這裏的閾值就是threshold。

舉個例子：如果threshold很低（如0.1），那麽很容易測試樣本是正樣本的概率值>0.1，因此FPR會很高（對正例太敏感），同時TPR也很高，假設 threshold=0.1時，FPR=TPR=1，可以在坐標系中畫第一個點(1,1)；同理，隨著threshold的增大，FPR和TPR都會逐漸降低，最後甚至為0。畫出的曲線形狀通常如下：

如果分類器效果很好, 那麽曲線應該靠近左上角（TPR大，FPR小）。

AUC（Area Under Curve）被定義為ROC曲線下的面積，顯然這個面積的數值不會大於1。又由於ROC曲線一般都處於y=x這條直線的上方（對應隨機猜測），所以AUC的取值範圍在0.5和1之間。使用AUC值作為評價標準是因為很多時候ROC曲線並不能清晰的說明哪個分類器的效果更好，而作為一個數值，對應AUC更大的分類器效果更好。

下周學習決策樹，幹貨多多，敬請期待：）

27-如何度量分類算法的性能好壞（Scoring metrics for classification）