待进一步完善…龟速填坑中
评价指标的基石
所有复杂问题都是简单问题的重复，
为了理解所有指标，首先需了解“四大天王”与“三大护法”
四大天王——TP|FP TN|FN
我们认为positive代表了阳性（或者说正样本），
而Negative代表了阴性（负样本)，那么在二分类中我们根据猜测的对错很容易排列出2x2种情况：
| True | False | |
|---|---|---|
| Positive | TP(猜对了阳) | FP(猜错了阳) |
| Negative | TN(猜对了阴) | FN(猜错了阴) |
其中左半边表示真值和我的猜测一致（猜对了），右半边表示真值和我的猜测不一致（猜错了）；
上半边表示猜测阳性的全体 $P$，下半边表示猜测阴性的全体$N$。
TP+FN表示真值阳性的全体，TN+FP表示真值阴性的全体。
三大护法——Pre、ACC、Recall
根据四大金刚，我们容易得出常见模型中的三个评价指标， (为什么不能只看一个呢？因为容易被“浮云遮望眼”)
Pre(Precision 精确率又称查准率)
精确和准确在中文上看起来是一个意思，但实际上有微小的区别；
我们可以通过投标的例子来理解什么是精确，什么是准确。
总结来说，精确率高指的是“我对正例判断出差错（偏差）的情况怎么样？”，也就是：
$$
Precision = \frac{TP}{P} = \frac{TP}{TP+FP}
$$
精确率越高，说明我对正例/阳性判断的偏差越小，也就是TP占总判断阳性中的比例越大。
这时候可能会有聪明的同学问了，那为什么我们不考虑对负例判断的偏差呢，比如构建一个TN/TN+FN的指标？
其实是有的，一般的，Pre还有更深入的名字叫“positive predictive value (PPV)”，显然也有对应的“Negative predictive value (NPV) ” 只是因为负样本通常较少，正样本较多；所以把PPV作为一个更常用的指标，归为精确率。
ACC(Accuracy 准确率)
为什么说精准但“精确不一定准确呢”？
你可以这么想，精密仪器显然是为了误差小，那精密仪器一定能得到准确结果吗？————答案是不一定，比如你没有调零!(做过大物实验的朋友都知道~)
没有调零就好像y=kx+b中多了一个b，也就是投标图像中的“整体偏移真值” （下图的上半部分）
虽然很精确，但很不准确！！
也就是在我所有预测的结果中，我到底预测的“好不好”，
即：
$$
Accuracy = \frac{TP+TN}{所有预测} = \frac{TP+TN}{TP+FP+TN+FN}
$$
Recall(召回率又称查全率)
顾名思义，查全的意思就是“我查的全不全”，我是否把所有的阳性覆盖到了（阳性全体为P），
$$
Recall = \frac{TP}{阳性全体}= \frac{TP}{TP+FN}
$$
有时候查全率很高，但精确率很低。
比如我有3个阳性，97个阴性。我预测100个全为阳性（此时P=100且TP=3，FP=97），0个阴性；此时查全率为：3/3=100% ！
但此时精确率为：3%。。。。。这显然是没有意义的。
有时候精确率很高，但查全率很低。
比如我还是有3个阳性，97个阴性。我刚好预测对某1个为阳性（此时P=1且TP=1，FP=0），99个阴性；此时精确率为：100% ！
但此时查全率为：33.333%。。。。。这显然也是意义不大的。
查全率与精确率存在互逆关系
我们能够隐约发现查全率和精确率的互逆关系，但究竟是为什么呢？
仔细观察可以发现，Recall和Pre只在分母有差别，其中Recall的分母是TP+FN【不变量】，而Pre的分母是TP+FP【可变量】。
为了提高Recall，我们需要增大TP，而分母不变；
但Pre中如果TP增加了FP也会跟着增加（我需要判断的东西变多了，精确率会下降，错误的概率会变大），分子的TP增加小于分母的TP+FP总体的增加。所以查全率和精确率是互逆的。
F1、RPC、Roc、AUC
在充分了解了四大金刚与三大护法后，我们进一步来研究他们的衍生变体：