1、通常我们把分类错误的样本数占样本总数的比例称为“错误率”(error rate)，即如果在m个样本中有a个样本分类错误，则错误率E=a/m；相应的，1-a/m称为“精度”(accuracy)，即“精度=1一错误率”

 

2、正确率 = TP/（TP+FP）

     召回率 = TP/（TP+FN）

     假阳率 = FP/（FP+TN）

例如：

ROC与AUC

ROC全称是“受试者工作特征”（Receiver Operating Characteristic）曲线，其横轴是“假正例率”（False Positive Rate，简称FPR），纵轴是“真正例率”（True Positive Rate，简称TRP），两者分别定义为：

                                                                                 

                                                       

ROC曲线给出的是当阈值变化时假阳率和真阳率的变化情况。左下角的点所对应的是将所有样例判为反例的情况，而右上角的点对应的则是将所有样例判为正例的情况。虚线给出的是随机猜测的结果曲线。 

对不同的ROC曲线进行比较的一个指标是曲线下的面积（Area Unser the Curve）。AUC给出的是分类器的平均性能值，当然它并不能完全代替对整条曲线的观察。一个完美分类器的AUC为1.0，而随机猜测的AUC则为0.5。 

3.4 均方误差

回归任务最常用的性能度量是“均方误差”（mean squared error）

 

处理非均衡分类的代价的方法（正负样本数目不一致）

1、调节分类器的阈值

2、代价敏感的学习

3、对分类器的训练数据进行改造（欠抽样或过抽样）