分类模型的衡量指标，召回率recall和准确率precision

在一个机场检测恐怖分子的模型中，恐怖分子被认为是正例，非恐怖分子被认为是反例。
true代表的是正确分类，positive代表正例。反之，false代表错误分类，negative代表反例。
那么，TP代表的就是被正确判断的恐怖分子，TN代表被正确分类的普通人；FP代表被误认为恐怖分子的普通人，FN代表被误认普通人的恐怖分子。
FP可以理解为虚警率，FN可理解为漏警率。
召回率=$TP/(TP+FN)$
意思就是说，我预测了TP+FN个恐怖分子，但只有TP个是真的恐怖分子。

这在不平衡的分类中是一个重要的指标。

精确率的公式=$TP/(TP+FP)$
一共有TP+FP个人，我正确识别了TP个恐怖分子。

召回率：15个恐怖分子，我预测出来了5个，剩下10个没有预测出来
精确率：我预测的13个人中，真正是恐怖分子只有5个，剩下8个是普通人。