0.分类模型评价指标在数据挖掘中的位置：
一、混淆矩阵（Confusion Matrix）：
1.混淆矩阵其实就是一张表格，可以用来评判分类模型的精度，形式如下：
2.混淆矩阵延伸出的指标有二级指标有
i）准确率（accuracy）：
ii）精确率 （precision）：
iii）召回率 （recall）(也叫灵敏度 sensitivity)：
iv）特异度 （specificity）
3.混淆矩阵延伸出的指标有三级指标有
F1指标（F1_score）：
4.其余指标：
二、ROC曲线
横轴FPR：False Positive Rate=FP/(FP+TN) ；【混淆矩阵第二行】
纵轴TPR：True Positive Rate=TP/(TP+FN) ；【混淆矩阵第一行】
ROC曲线理解：
1.曲线越贴近纵轴，TPR越高，分类效果越好；
曲线越贴近横轴，FPR越高，分类效果越差；
曲线越靠近左上方，分类效果越好；
图中分类效果：蓝色>红色>绿色
2.图中灰色线（45°）为基准线（benchmark），表示50%的预测准确率；
3.ROC曲线绘制：
曲线的每一个点代表取某个特定阈值p时，模型的分类表现；
阈值p含义：给定阈值p，若输入某样本，输出属于类别一的概率>p，则该样本属于类别一。
整条曲线代表取不同阈值p时的模型分类表现。
三、AUC面积（Area Under Curve）
AUC面积就是ROC的曲线下面积；
AUC越接近1，模型分类效果越好。
若AUC<0.5，则模型分类效果不如50%/50%的猜测。
参考资料：
1.分类评价指标：混淆矩阵：https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839，作者：Orange_Spotty_Cat
2.分类评价指标：ROC曲线与AUC面积：https://blog.csdn.net/Orange_Spotty_Cat/article/details/80499031?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase，作者：Orange_Spotty_Cat
3.机器学习：了解混淆矩阵：https://blog.csdn.net/qq_39521554/article/details/79995949，作者：图灵的猫