Binary Classification

	Prediction Ture	Prediction False
Actual True	a	b	a + b
Actual False	c	d	c + d
	a + c		b + d

a - TP(True Positive)
b - FN(False Negative)
c - FP(False Positive)
d - TN(True Negative)
a+b - Pos
c+d - Neg

---

tpr(True Positive Rate) = TP/Pos : Sensitivity
tnr(True Negative Rate) = TN/Neg : Specificity
fpr(False Positive Rate) = FP/Neg = 1-tnr
fnr(False Negative Rate) = FN/Pos = 1-tpr

Accuracy = weighted average of tpr and tnr
Error Rate = weighted average of fpr and fnr

---

Precision

• 양성 클래스로 예측한 샘플이 양성 클래스일 확률
• a / ( a+c )

Recall

• 양성 클래스인 샘플에서 모델이 양성클래스로 예측한 샘플 비율
• a / ( a+b )

---

from sklearn.metrics import precision_score, recall_score, f1_score

precision = precision_score(pred, y_test, average='micro')
recall = recall_score(pred, y_test, average='micro')
f1 = f1_score(pred, y_test, average='micro')

print(precision, recall, f1)

average='None' : 클래스간 지표를 합치지 말고 출력
average='micro' : 정밀도와 재현율 동일
average='macro' : 클래스간 지표를 단순 평균
average='weighted' : 클래스간 지표를 가중 평균