作为一名小白中的小白（苦笑脸），澜子的每一步都走得艰难万分（哭），好在身边还是有很靠谱的小伙伴能给我很多帮助，能让我艰难且缓慢无比的进度得到不小的提升。
所以，对于最近踩坑很多的 tf.metrics，特地记录一下。
当然，如果大噶发现博客中我理解过程中的任何错误，一定记得告诉我啊，这样才能更好地进步哇。
之所以会接触到这个API，是因为最近在做一个二分类的问题，然后希望用多个评价指标包括：召回率（Recall），精确率（Precision），F_Score，AUC对模型进行综合评估，而不仅仅只是准确率（Accuracy） 的单一指标。
评价指标简介
混淆矩阵
混淆矩阵是理解众多评价指标的基础。先贴一张图，经典的混淆矩阵是长这个样子滴。
理解混淆矩阵以及下文所涉及到的其他的评价指标之前，我们首先要了解一下 TP,FP,TN,FN 这四个被广泛应用于二分类评价中的基本概念。这一篇文章 图文并茂，解释得很不错，我也截取了几张很好看的图，会依次出现在后续的文章中。下图便很好地解释了四个基本概念。
- TP：True Positive，预测为正例，实际也为正例。
- FP：False Positive，预测为正例，实际却为负例。
- TN：True Negative，预测为负例，实际也为负例。
- FN：False Negative，预测为负例，实际却为正例。
准确率（Accuracy）
首先上图一张，颜值即正义，有这么好看的图，应该很好理解其中的含义吧。准确率 即指所有预测正确的样本（无论预测的是正例还是负例）占所有样本的比例。
精确率（Precision）
高颜值的美图继续。精确率就是指 当前划分到正样本类别中，被正确分类的比例，即真正的正样本所占所有预测为正样本的比例。
其实我自己在没有真正运用这些指标之前，并不是很理解其中的含义。针对我自己这段时间的经历，我的理解是 运用精确率，可以发现模型的潜在问题：比如我自己第一个尝试的模型，就出现了模型的预测输出一直为零的情况。但是，由于我之前并没有加入精确率的指标，只关注了模型的准确率，导致模型的准确率结果虽然有90%，但是精确率出现了NAN。
我自己分析出现这个结果的原因是：第一，样本的数据量很大且比较稀疏；第二，小白如我在数据预处理方面做得很糟糕，导致数据分布就很不合理，也就意味着会出现 一个batch里面label中0的数量远大于1，进而模型一直在学0的情况。而我们如果仅仅只看准确率，模型似乎没有那么糟糕，然而其实模型的效果是很差的，准确率没有很低只是因为batch本身比较稀疏，所以就算模型输出一直是零，也不会出现很低的准确率。那么，有了 精确率 就够了吗？当然不是，我们接着看一个简单的例子。
比如：我们有一个样本数量为50的数据集，其中正样本的数量为20。但是，在我们所有的预测结果中，只预测出了一个正样本，并且这个样本也确实是正样本，那么 TP=1，FP=0，Precision = TP/(TP+FP) = 1.0，那么我们的模型是不是就很好了呢？当然不是，我们还有19个正样本都没有预测成功呢。所以，是时候使出 召回率 这一绝招啦。
召回率（Recall）
美图接着上。召回率即指 当前被分到正样本类别中，真实的正样本占所有正样本的比例，即召回了多少正样本的比例。
接着上文继续说，精确率和召回率之间存在着什么关系呢？我们当然希望 Precision 和 Recall 的值越高越好。在上文的例子中，我们得到模型的精确率为1，但并不表示模型就很好，因为 FN=19，可以得到 召回率 Recall = TP/(TP+FN)= 0.05。所以，如果仅仅只靠精确率，显然也是不够的。
那么问题又来了，有没有一个能够结合两者的评价指标呢？必杀技 F_Score 来也。
F_Score
此处没有美图了。F_Score其实就是 Precision和 Recall的加权调和平均：
\ F= \frac{(\alpha^2+1)P*R}{\alpha^2)(P+R)}
当 \alpha = 1 时，即是我们最常用的F1_Score
\ F_1= \frac{2PR}{(P+R)}
因为 ** F_1 ** 综合了 Precision 和 Recall 的结果，所以当 ** F_1 或者 F_Score ** 较高时，说明结果较为理想。
AUC(Area under the ROC curve)
呜啦啦，我最近涉及到的最后一个指标啦。在介绍AUC之前，首先要了解什么是 ROC曲线，他是这个样子滴。ROC曲线上的每一个点对应于一个 threshold，对于一个分类器，每个threshold下会有一个TPR和FPR。
这里的 threshold怎么理解呢？举一个简单的例子：对于某个二分类分类器来说，输出结果 是0还是1，往往取决于输出的概率以及预定的概率阈值，比如常见的阈值就是0.5，大于0.5的认为是正样本，小于0.5的认为是负样本。
- 横轴：False Positive Rate（假阳率，FPR）
- 纵轴：True Positive Rate（真阳率，TPR）
理解了 ROC曲线之后，AUC就很好理解啦，其指的就是ROC曲线包围的面积啦，也就是图中的绿色部分。
ROC曲线一定程度上可以反映分类器的分类效果，但是不够直观，我们希望有一个直观的指标，我们可以通过观察其数值的大小，直接判断分类器的分类性能，于是AUC横空出世啦。AUC可以直观地反映了ROC曲线表达的分类能力。
- AUC ＝ 1，代表完美分类器
- 0.5 < AUC < 1，优于随机分类器
- 0 < AUC < 0.5，差于随机分类器
好气哦，每次总是越写越多（苦笑脸），正文还没有写，就已经七七八八敲了一堆，澜子要去赶车了，正文放在下一篇继续。
大噶发现错误或者什么我理解得不对的地方，一定要告诉我啊，不能让我一直瞎写啊。
