1. 准确率 (Accuracy)

定义：准确率是指模型预测正确的样本占总样本的比例。

公式：

• TP (True Positive)：真正例，正确预测为正类的样本数量。
• TN (True Negative)：真负例，正确预测为负类的样本数量。
• FP (False Positive)：假正例，错误预测为正类的样本数量。
• FN (False Negative)：假负例，错误预测为负类的样本数量。

解释：准确率是一个常用的性能指标，但在类别不平衡的情况下可能会产生误导。例如，如果大多数样本是负类，模型只需简单地预测所有样本为负类即可获得高准确率。

2. 精确率 (Precision)

定义：精确率是指模型预测为正类的样本中，实际为正类的比例。

公式：

解释：精确率衡量的是模型在预测为正类时的准确性。在某些应用中（如疾病筛查），我们希望尽量减少假阳性，因为假阳性可能导致不必要的后续检查或治疗。

3. 召回率 (Recall)

定义：召回率是指实际为正类的样本中，被模型正确预测为正类的比例。

公式：

解释：召回率衡量的是模型对正类样本的识别能力。在某些情况下（如癌症检测），我们希望尽量减少假阴性，因为漏掉一个真实的阳性样本可能会导致严重后果。

4. F1 值

定义：F1 值（F1-score）是分类问题中的一种综合评价指标，它是精确率和召回率的加权平均，用于同时考虑预测出的正例和实际正例的数量，其中 F1 也称为精确率和召回率的调和均值。

公式：

解释：单独用精确率或者召回率不能很好的评估模型好坏。当 P 和 R 同时为 1 时，F1=1。当有一个很大，另一个很小的时候，比如 P=1，R~0，此时 F1~0。分子 2PR 的 2 完全了为了使最终取值在 0-1 之间，进行区间放大，无实际意义。

5. 特异度（Specificity）

• 定义：模型预测为负类且正确的样本数占实际为负类的样本总数的比例。
• 公式：

• 适用场景：关注负类预测准确性时。

6. ROC 曲线下面积（AUC-ROC）

• 定义：接收者操作特征曲线（ROC Curve）下的面积。
• 解释：衡量模型在不同阈值下对正负类的区分能力。
• 适用场景：数据分布均衡或不均衡时。

8. 马修斯相关系数（MCC）

• 定义：衡量二分类模型质量的指标，考虑了所有混淆矩阵元素。
• 公式：

• 适用场景：数据分布不均衡时。

9. PR 曲线下面积-AUPRC（Area Under the Precision-Recall Curve）

正类很少时，ROC 容易“乐观”，AUPRC 更严格：它把“召回率”当横轴，“精确率”当纵轴，曲线下的面积越大，模型找少数类越准。

from sklearn.metrics import average_precision_score
auprc = average_precision_score(y_true, y_score)   # 直接给出 AUPRC