1.TP、TN、FP、FN

• 先粘一个官方形式的。
  

用新冠来举例理解。下方正方形为样本，其中

1. 圆的部分认定为检测后是阳性的，其余部分为检测为阴性的（但是现在的情况是检测并不完全准确，有可能检测时阴性，但实际上已经有新冠，只是无症状）
2. 现在只看园内，园的左半绿色部分意思是：实际上这个人是新冠患者；右办粉色部分则为实际并不是新冠患者；那么圆内绿色部分则为 ‘真阳’对应‘正类检索为正类’TP，粉色部分为‘假阳’对应‘正类检索为负类’FN。
3. 这样我们就确定了圆内两个部分的实际情况，以已确定的情况为标准看圆外，正方形左半部分检测为阴，但实际是阳性，那么他就为‘假阴’对应‘负类检索为正类’FP；正方形右边正好与左边部分相反，检测为阴，实际也是阴性，那么就为‘真阴’对应‘负类检索为负类’TN。

准确率、精准率、召回率、F1值

• 准确率（Accuracy）。就是所有的预测正确（正类负类）的占总的比重。解释为：(预测为正,实际也为正的数量）与（预测为负，实际也为负）的和除以全部四种情况（TP+TN+FP+FN）的比率

• 精准率（Precision）。识别的正例占素有实际正例的比例。通俗来讲就是针对我们预测结果而言的，真实为正的样本占预测为正样本的占比。预测为正有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)
  

• 召回率（Recall）。识别的正例占素有实际正例的比例。解释为样本中的正例有多少被预测正确了。有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)

• F1值（H-mean值）。用一个F1值来综合评估精确率和召回率，它是精确率和召回率的调和均值，当精确率和召回率都高时，F1值也会高。

Python代码

from sklearn.linear_model import LogisticRegression  #逻辑回归模型
from sklearn.metrics import accuracy_score  #准确率（Accuracy）
from sklearn.metrics import precision_score  #精准率（Precision）
from sklearn.metrics import recall_score  #召回率（Recall）
from sklearn.metrics import classification_report #分类报告（包含准确，精准，召回的结果）
from sklearn.metrics import roc_auc_score  #计算AUC，评估模型好坏

lr = LogisticRegression(solver=?) #solver 选择算法
lr.fit(x_train,y_train)  #训练模型
lr.predict(x_test)  #预测
lr.predict_proba(x_test)  #模型预测正例的概率
roc_auc_score(y_test,lr.predict_proba(x_test)[:,1])  #放入真实的结果和模型预测出的概率