机器学习性能评估指标 ROC

最近在看人脸识别的论文，查了几个比较重要的定义，用于评估二分类问题的预测结果

                相关           不相关预测到的     ：   A(tp)          B(fp) 误报你没预测到的 ：    C(fn)漏报      D(tn)

准确率：（对的对，错的错的比例）(A+D)/(A+B+C+D)

精确率 （查准：查到的是准的）precision(P) = A/(A+B) 你的预测有多少是对的 （人脸识别中，这个值越大，误检越少），是针对你的预测结果而言的

召回率 Recall (R)（查全：查到的占全部的比例）= A/(A+C) 你的预测正确的覆盖了多少 （人脸识别中，这个值越大，漏检越少）,是针对于样本而言的

此外，还有F1值，是Precision和Recall的调和平均

2F1=1P+1R

F1=2tp2tp+fp+fn

Recall和Precision大,F1值也大

ROC curve

接收者操作特征曲线（Receiver Operating Characteristic curve)

• 在所有人脸中，被预测为人脸的比例： recall =A/(A+C)
  也叫 validation rate(VR), true positive rate (TPR), sensitivity recall

• 在所有非人脸中，被预测为人脸的比例, 也叫 false accept rate (FAR) = B/(B+D), false positive rate(FPR)

在论文给的一些结果的表格，会有
VR@FAR=0
VR@FAR=10−6
VR@FAR=0.1%

ROC曲线越靠近左上角越好