分类混淆矩阵中auc recall

分类混淆矩阵中，并不包含AUC和Recall这两个指标。混淆矩阵主要用于评估分类模型的性能，通过统计分类模型归错类和归对类的观测值个数，将结果展示在一个表中。混淆矩阵主要包括以下几个指标：
1. 真正例（True Positive, TP）：模型正确地将正例分类为正例的个数。
2. 假正例（False Positive, FP）：模型错误地将负例分类为正例的个数。
3. 假反例（False Negative, FN）：模型错误地将正例分类为负例的个数。
4. 真反例（True Negative, TN）：模型正确地将负例分类为负例的个数。

通过这些指标，我们可以计算出其他一些评估指标，比如准确率（Accuracy）、精确率（Precision）、召回率（Recall）等。但是AUC（Area Under the Curve）并不是混淆矩阵中的指标，它是用来评估二分类模型的性能的一个指标，表示ROC曲线下的面积。而Recall是指分类模型正确地识别出所有正例的能力，也被称为灵敏度或真正例率。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [混淆矩阵、auc、roc](https://blog.csdn.net/fuge92/article/details/93745705)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* [混淆矩阵、ROC、AUC 学习记录](https://blog.csdn.net/weixin_44912030/article/details/127291953)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]