在处理分类问题时，会遇到一种情况：
假设一个二元分类问题：假设我们的预测算法是：，这个算法忽略特征值，不管任何情况下都是预测等于0。
毫无疑问这是一个糟糕的算法，但是在测试集中，99%的样本输出，1%的样本输出，这样计算预测算法的误差率的时候，会的到1%的误差率，这就是很糟糕的情况，一个完全错误的算法得到了一个正确率很高的测试结果。
实例：100个样本，10个是癌症，如果模型预测100个样本全为正常，那么准确率accuracy会有90%，但是显然这种不合理，因此衍生了recall precison
这种情况称之为偏斜类（Skewed Classes）的问题。
预测某些病人有没有得癌症。
假设有100个样本，真实情况是有10个得癌症的，通过预测函数遇到到了有12个得了癌症，其中有8个是真实得癌症的。
这种情况下:
TP=8
FP=12-8=4
FN=10-8=2
TN=(100-12)-2=86
正确预测为1，正确预测为0的样本比率，公式为：(TP+TN) / ALL
上例中准确率为: (8+86/)100=0.94
查准率是指在所有预测为1的样本中预测正确的比率，公式为：TP/(TP+FP)
上例中查准率为:8/(8+4)=0.67
召回率是指在所有真正为1的样本中预测正确的比率，公式为：TP/(TP+FN)
上例中召回率为:8/10
在最开始偏斜类问题中 TP=0，召回率为0，因此那个预测算法是错误的。
在分类问题中， 大于概率阈值(threshold)是我们就预测为1， 小于概率阈值是我们就预测为0；
一般情况设置threshold=0.5
当提高threshold（0.99）时，precision会提高，recall会下降；
当减小threshold（0.01）时，recall会提高，precision会下降。
所以F1score就是为了综合recall和precision的办法，综合衡量算法的
思想是相当简单的：ROC 曲线展示了当改变在模型中识别为正例的阈值threshold时，召回率和精度的关系会如何变化。
计算公式如下：
TPR = TP / (TP + FN) TPR 是召回率FPR = FP / (FP + TN) FPR 是反例被报告为正例的概率
下图是一个典型的 ROC 曲线：
黑色对角线表示随机分类器，红色和蓝色曲线表示两种不同的分类模型。对于给定的模型，只能对应一条曲线。但是我们可以通过调整对正例进行分类的阈值来沿着曲线移动。通常，当降低阈值时，会沿着曲线向右和向上移动。
在阈值为 1.0 的情况下，我们将位于图的左下方，因为没有将任何数据点识别为正例，这导致没有真正例，也没有假正例（TPR = FPR = 0）。当降低阈值时，我们将更多的数据点识别为正例，导致更多的真正例，但也有更多的假正例 ( TPR 和 FPR 增加)。最终，在阈值 0.0 处，我们将所有数据点识别为正，并发现位于 ROC 曲线的右上角 ( TPR = FPR = 1.0 )。
最后，我们可以通过计算曲线下面积 ( AUC ) 来量化模型的 ROC 曲线，这是一个介于 0 和 1 之间的度量，数值越大，表示分类性能越好。在上图中，蓝色曲线的 AUC 将大于红色曲线的 AUC，这意味着蓝色模型在实现准确度和召回率的权衡方面更好。随机分类器 (黑线) 实现 0.5 的 AUC。
目录
问题背景：
准确率 Accuracy:检测对的数量 / 所有样本量F1score(Hmean)：recall和precision的调和平均数
查准率 Precision：检测得到的正样本 / 检测的总数
查全率（召回率 ）Recall：检测结果中正样本 / 实际有的正样本
