深度学习入门小菜鸟，希望像做笔记记录自己学的东西，也希望能帮助到同样入门的人，更希望大佬们帮忙纠错啦~侵权立删。
如何评价这个模型对解决你这个问题的“可用”程度，这需要对模型进行测量和评估。每个模型都有他的特别之处，并随因素变化而表现不同，因此需要选择合适的评估指标来进行评定。
目录
1、灵敏度/真正率/召回率(TPR)，特异度和假正率(FPR)
一、混淆矩阵
下表就是著名的混淆矩阵（真·混淆bushi）
| actual positive | actual negative | |
| predicted positive | TP | FP |
| predicted negative | FN | TN |
🎈我们先一个一个字母来：
T 表示本次预测结果正确；F 表示本次预测结果错误
P表示判为正例；N 表示判为负例
🎈让我们把字母匹配起来
TP：本次预测为正例（P），而且这次预测是对的（T）
FP：本次预测为正例（P），而且这次预测是错的（F）
TN：本次预测为负例（N），而且这次预测是对的（T）
FP：本次预测为负例（N），而且这次预测是错的（F）
🎈举个栗子吧，比如说正例代表核酸检测阳性（P）；负例代表核酸检测阴性（N）
那么TP代表的就是检测出来是阳性并且这一次判断是正确的，FP代表的就是检测出来是阳性并且这一次判断是错误的，TN代表的就是检测出来是阴性并且这一次判断是正确的，FP代表的就是检测出来是阴性并且这一次判断是错误的。
🎈很显然：TP+FP+TN+FN=样本总数
二、准确率（正确率）—— Accuracy
🌳由上面的混淆矩阵得出公式
🌳表示的意义是：所有预测中正确的百分比
🌳虽然准确率可以判断总的正确率，但是在样本不平衡的情况下，并不能作为很好的指标来衡量结果。
比如说P占了总样本量的99.9%，N占0.01%，如果我们毫无逻辑地全部判定为P，那么准确率将高达99.9%，但是实际上我们的模型只是无脑地全部判定为P，所以准确率在样本类别占比不平衡时衡量结果的效果并不好。
三、精确率（查准率）—— Precision
🌳由上面的混淆矩阵得出公式
🌳表示的意义是：在所有判定为P的样本中判定正确的百分比（代表对正样本结果中的预测准确程度）
四、召回率（查全率）—— Recall
1、公式
由上面的混淆矩阵得出公式
2、意义
表示的意义是：实际为正（P）的样本中被预测为正（P）样本的概率
召回率越高，实际为正（P）被预测出来的概率越高，类似于“宁可错杀一千，绝不放过一个”。
3、精确率和召回率的关系
🌳他们是一对矛盾的度量。一般来说，精确率高时，召回率会偏低；而召回率高时，精确率会偏低。
🌳通常只有在一些简单任务中，才可能使精确率和召回率都很高。
五、PR曲线
1、含义解析
🌳P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，一般情况下，将recall设置为横坐标，precision设置为纵坐标。
🌳在进行比较时，若一个模型的PR曲线被另一个模型的曲线完全包住，则说明后者的性能优于前者，比如上图中A优于C。
🌳A Vs B：因为AB两条曲线交叉了，所以难以比较，这时比较合理的判据就是比较PR曲线下的面积，该指标在一定程度上表征了该模型在精确率和召回率上取得相对“双高”的比例。
算这个曲线的面积不容易，所以人们引入了平衡点”(BEP)来度量
2、BEP
BEP：表示精确率=召回率时的取值，值越大表明该模型性能越好（所以A比B好）
但是BEP还是过于简单，所以更常用的是F1度量（F1-score）
3、F1-score
公式如下：
F1越大性能越好。
六、ROC & AUC
1、灵敏度/真正率/召回率(TPR)，特异度和假正率(FPR)
公式如下
特异度：
假正率：
TPR表示模型预测响应的覆盖程度，而FPR表示模型虚报的响应程度。
2、ROC（接受者操作特征曲线）
🌳其中横坐标为假正率（FPR），纵坐标为真正率（TPR）
🌳那ROC曲线该怎么画呢？
举个栗子
| 样本序号 | 实际类别 | 判断是P的概率 |
| 1 | P | 0.3 |
| 2 | N | 0.5 |
| 3 | P | 0.6 |
| 4 | P | 0.4 |
我们依次将“Score”值作为阈值threshold，当测试样本属于正样本的概率大于或等于这个threshold时，我们认为它为正样本，否则为负样本。然后以此来计算对应的TPR和FPR，然后绘图即可。
🌳TPR 越高，同时 FPR 越低（即 ROC 曲线越陡），那么模型的性能就越好
3、AUC（曲线下的面积）
AUC是ROC曲线下的面积，介于0.1和1之间。
它作为数值可以用来直观评价模型的好坏，值越大越好。
七、如何选择评估指标
结合实际情况来进行选择，对问题的倾向有所侧重
欢迎大家在评论区批评指正，谢谢大家~
