逻辑回归

就是把线性回归（连续数值）通过Sigmoid函数映射成0-1区间，用作概率类

混淆矩阵： 分类结果的TP、FP、TN、FN 统计表格

混淆矩阵

真实结果 \ 预测结果	正例	假例
正例	真正例 TP	伪反例 FN
假例	伪正例 FP	真反例 TN

精确率：预测为正比例中实际正例的比例

召回率：实际正例中被正确预测的比例

F1-score:精确率和召回率的调和平均数

ROC曲线：不同阈值下TPR 与 FPR的关系曲线

横轴：假正例率（FPR）

纵轴：真正例率（TPR）

AUC指标：ROC曲线下的面积，衡量模型泛化能力

• AUC=1：模型完美分类
• AUC=0.5：模型=随机猜测
• AUC<0.5：模型性能差于随机猜测

表解释

评估指标	最佳值	说明
精确率 (Precision)	↑ 越大越好	预测为正例中实际正例的比例，值越高表示误判越少。
召回率 (Recall)	↑ 越大越好	实际正例中被正确预测的比例，值越高表示漏检越少。
F1-score	↑ 越大越好	精确率和召回率的调和平均，平衡两者的综合指标。
AUC	↑ 越大越好	ROC 曲线下面积，衡量模型泛化能力，1 为完美分类，0.5 相当于随机猜测。
TPR（真正例率）	↑ 越大越好	即召回率，实际正例中被正确预测的比例。
FPR（假正例率）	↓ 越小越好	实际负例中被误判为正例的比例，值越低表示误判越少。
ROC 曲线	左上角集中	曲线越靠近左上角（AUC 越接近 1），模型性能越好。
混淆矩阵	-	理想情况：TP 和 TN 越大越好，FP 和 FN 越小越好。