评价指标如F-value、G-mean、AUC

F-value、G-mean、AUC是常用的分类模型评价指标，具体解释如下：

1. F-value

F-value是综合考虑分类器的Precision和Recall两个指标的综合指标，常用于评价二分类模型的性能。F-value越大表示模型的性能越好。

F-value = 2 * Precision * Recall / (Precision + Recall)

其中，Precision = TP / (TP + FP)是精确率，Recall = TP / (TP + FN)是召回率。

2. G-mean

G-mean（几何平均）是一种综合考虑分类器的Precision和Recall两个指标的综合指标，常用于评价正负样本不平衡的二分类模型的性能。G-mean越大表示模型的性能越好。

G-mean = sqrt(Precision * Recall)

其中，Precision = TP / (TP + FP)是精确率，Recall = TP / (TP + FN)是召回率。

3. AUC

AUC（Area Under ROC Curve）是ROC曲线下方的面积，常用于评价二分类模型的性能。AUC越大表示模型的性能越好。

ROC曲线的横轴为False Positive Rate（FPR），纵轴为True Positive Rate（TPR），FPR表示将负例样本错误分类为正例样本的比例，TPR表示将正例样本正确分类为正例样本的比例。

在AUC评价中，将分类器输出的概率值从大到小排序，依次将每个样本作为分类阈值，统计出对应的TPR和FPR，绘制ROC曲线。AUC即为ROC曲线下方的面积。