摘要：和準確率不同，曲線對分類比例不平衡的數據集不敏感，曲線顯示的是對超過限定閾值的所有預測結果的分類器效果。曲線畫的是分類器的召回率與誤警率的曲線。

from sklearn.linear_model import LogisticRegression
clf = LogisticRegression()
clf.fit(x_train, y_train)  

準確率：scikit-learn提供了accuracy_score來計算：LogisticRegression.score()
準確率是分類器預測正確性的比例，但是并不能分辨出假陽性錯誤和假陰性錯誤
精確率是指分類器預測出的垃圾短信中真的是垃圾短信的比例，P=TP/(TP+FP)
召回率在醫學上也叫做靈敏度，在本例中知所有真的垃圾短信被分類器正確找出來的比例，R=TP/(TP+FN)

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score  
predictions = clf.predict(x_test)  
print("準確率：", accuracy_score(y_test, predictions))  
print("精確率：", precision_score(y_test, predictions))  
print("召回率：", recall_score(y_test, predictions))  
print("F1-Score：", f1_score(y_test, predictions))  

from sklearn.metrics import classification_report, accuracy_score, confusion_matrix  
predictions = clf.predict(x_test)  
print("準確率：", accuracy_score(y_test, predictions))  
print("混淆矩陣：", confusion_matrix(y_test, predictions))  
print("分類報告：", classification_report(y_test, predictions))  

ROC曲線（Receiver Operating Characteristic，ROC curve）可以用來可視化分類器的效果。和準確率不同，ROC曲線對分類比例不平衡的數據集不敏感，ROC曲線顯示的是對超過限定閾值的所有預測結果的分類器效果。ROC曲線畫的是分類器的召回率與誤警率（fall-out）的曲線。誤警率也稱假陽性率，是所有陰性樣本中分類器識別為陽性的樣本所占比例：
F=FP/(TN+FP) AUC是ROC曲線下方的面積，它把ROC曲線變成一個值，表示分類器隨機預測的效果.

from sklearn.metrics import roc_curve, auc  
predictions = clf.predict_proba(x_test)  
false_positive_rate, recall, thresholds = roc_curve(y_test, predictions[:, 1])  
roc_auc = auc(false_positive_rate, recall)  
plt.title("Receiver Operating Characteristic")  
plt.plot(false_positive_rate, recall, "b", label="AUC = %0.2f" % roc_auc)  
plt.legend(loc="lower right")  
plt.plot([0, 1], [0, 1], "r--")  
plt.xlim([0.0, 1.0])  
plt.ylim([0.0, 1.0])  
plt.ylabel("Recall")  
plt.xlabel("Fall-out")  
plt.show() 

http://blog.csdn.net/sergeyca...
http://blog.csdn.net/zjuPeco/...