混淆矩阵

Accuracy

$$ Accuracy\left(ACC\right)= \frac{T}{T+F} $$

在所所有的结果中，判断正确的个数。

这个指标难以反映真实情况，当事实上为真的概率很大很大时，我们总是判断其为真将获得较好的 ACC，然而这是不对的。

Sensitivity（灵敏度，也称真阳性率、Recall（召回率））

$$ sensitivity\left(SEN\right)=\frac{T P}{T P+F N}

$$

注意到分母是是事实上为真的总和。

例如：真正生病的人中，被判断为生病的比例。

Specificity（特异度，也称为真阴性率）

$$ specificity\left(SPE\right)=\frac{F P}{F P+T N} $$

注意到分母是是事实上不为真的总和。

例如：真正未生病的人中，被判断为没有生病的比例。

Precision

$$ precision\left(PRE\right) = \frac{TP}{TP + FP} $$

注意到分母是判断为真的总和。

例子：辨识电邮信箱里的垃圾邮件时，如果某封被误判成垃圾邮件（即FP）时，使用者可能就此错过重要的通知。

F-score

$$ F-score =2\ \frac{ precision \times recall }{ precision + recall } $$

precision 和 recall 的调和平均。

F-score 最理想的数值是趋近于 1，做法是让 precision 和 recall 都有很高的值。

Area Under the ROC curve （AUC）

ROC 曲线纵轴是 Sensitivity，横轴是 Specificity。AUC 为其下方面积。

可参见。

Youden index（YI）

$$ J = sensitivity + specificity - 1 $$

• ref