AUPR|AUROC|Recall|ACC|F1|Precision|评价指标|生物信息评价指标|药物重定位评价指标

AUROC

AUC-ROC曲线下面积（Area Under the Receiver Operating Characteristic Curve）：适用于二分类问题。
TP（真阳性）：判断为真，实际为真
FP（伪阳性）：判断为真，实际为假
FN（伪阴性）：判断为假，实际伪真
TN（真阴性）：判断为假，实际为假
TPR（真阳性率）：所有实际为真样本中，被正确预测为真的概率
$$TPR=\frac{TP}{TP+FN}$$
FPR（伪阳性率）：所有实际伪假的样本中，被错误预测为真的概率
$$FPR=\frac{FP}{FP+TN}$$

ROC图空间将伪阳性率（FPR）定义为X轴，真阳性率（TPR）定义为Y轴，从（0,0）到（1,1）的对角线将ROC空间划分为左上/右下两个区域。左上代表一个好的分类结果，右下则代表差分类结果。AUC即AUROC，为ROC曲线下的面积。

AUPR

AUC-PR（Area Under the Precision versus Recall Curve）（AUPR）：PR 曲线则反映了精确率Precision（预测为真阳样本占所有预测为阳性样本的比例）和召回率Recall（预测为真阳样本占所有实际真样本的比例）的关系，其曲线下面积被认为相比于 AUROC 更能反映一个模型对真样本的富集能力。==AUPR是pr曲线下的面积，PR即召回率和正确率组成的曲线图。==还是看看别人怎么说吧 点击链接

AUC与AUPR的区别是什么?

主要的区别是，一个是作用在平衡数据集中，一个是作用在高度不平衡的数据集中。
如果只有较高的召回率，只能说明你的模型或者方法可以预测出较多的数据，但并不能保证预测出的样本是正确的。
如果只有较高的正确率，说明所预测的样本的正确的，但只能是很少一部分数据集。

ACC（Accuracy）准确性

常见的分类任务评价指标，表示模型正确预测的样本数占总样本数的比例。如下公式。
$$ACC=\frac{TP+TN}{TP+FP+TN+FN}$$

Recall

召回率，查全率，指的是预测值为真，真实值也为真的样本，在所有真实值为真样本中所占的比例。
$$Recall=\frac{TP}{TP+FN}$$

F1

F1分数可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0，值越大意味着模型越好。假如有100个样本，其中1个正样本，99个负样本，如果模型的预测只输出0，那么正确率是99%，这时候用正确率来衡量模型的好坏显然是不对的。
介绍F1计算公式前我们先引入其他的一个评价指标：Precision
Precision（查准率）：预测值为真，且真实值也为真的样本在预测值为真所有样本中所占比例。
$$Precision=\frac{TP}{TP+FP}$$

F1计算公式：
$$F_1=2\ast \frac{precision\ast recall}{precision+recall}$$

后续更新求对应指标代码