准确率，精确率，召回率

在机器学习，深度学习等领域中。评估（Evaluation）是一个必要的工作，而评估的指标就是准确率（Accuracy），精确率（precision），召回率（recall）

准确率（Accuracy）：

对于给定的测试集，分类器正确分类的数量和总数之比。

例如，一个班一共有100个人，80个男生，20个女生。现有小明要对这100个人进行分类，他将分成了50个男生，50个女生（男生全对），所以小明将30个男生判错为女生，其他70个人判断正确。则准确率（Accuracy）为70/100=0.7

但是在一些情况下，不能仅仅通过精确率来判断一个分类器是否有效。例如：在一个1万张图片的数据集中，仅仅有100个人的图片，分类器来判断数据集图片是否为人？如果分类器将多有照片都分类为 ：不是人。那它的准确率有达到了9900/10000，没有任何意义。

混淆矩阵

针对二分类问题。将实例分为正类（postive）或者负类（negtive）。但是在实际分类中，会出现四种情况。

（1）实例为正类且被预测为正类，即为真正类True Positive（TP）

  (2) 实例为正类但被预测为负类，即为假负类False Negative（FN）

(3)实例为负类但被预测为正类，即为假正类False Positive（FP）

(4）实例为负类且被预测为负类，即为真负类True  Negative（TN）

精确率（precision）

表示被分为正例的实例中实际为正例的比例

召回率（recall）：

表示为正例中预测对的与所有被预测对的比例