??介绍评价二分类模型的一些標准各评价指标的得分之和

TP—将正类预测为正类数
FN—将正类预测为负类数
FP—将负类预测为正类数
TN—将负类预测为负类数

??通俗地说就是所有样本被正确预测的占比。

??通俗地说就是预测为正类的样本中实际为正类的占比。定义：

??通俗地说就是实际为正类的样本中正确预测为正类的占比。定义：

相当于精确率和召回率的调和平均数定义：

TPR—真阳性，同召回率
FPR—假阳性负样本中错误预测为正的占比
二分类模型返回一个概率值，通过调整阈值即大于该阈值为正类，反之负类可以得到哆个(FPR,TPR)点，描点画图得到的曲线即为ROC曲线如下图所示：

??AUC为ROC曲线下的面积，越接近1说明分类效果越好
??直观的解释AUC，可以这样理解：
从正负样本各随机抽取一个样本Sample1、Sample2分类器返回概率值P1、P2，AUC=P(P1>P2)其反应的是分类器对样本的排序能力，好的分类器应该返回正样本以更高概率值

??和ROC曲线类似，通过调整阈值可以得到多个(FPR,TPR)点描点画图时把阈值作为横轴，FPR描点形成一条曲线TPR描点形成一条曲线。KS值就為Max(TPR-FPR)KS值越大，表示模型能够将正、负样本区分开的程度越大但是分隔并不一定表示正确。通常来讲KS>0.2即表示模型有较好的预测准确性。

?????????????????????? 于杭州
?????????????????????? 改于南京市建邺区新城科技园