精确率、准确率、召回率

TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。
FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的
FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的
TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为了负的

1. 精确率(Precision)：当前预测为正样本类别中被正确分类的样本比例
   精确率是相对于预测结果而言的，它表示的是预测为正的样本中有多少是对的；那么预测为正的样本就有两种可能来源，一种是把正的预测为正的，这类有TruePositive个, 另外一种是把负的错判为正的，这类有FalsePositive个；精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检，也不能让现有的预测有错)，关注的是对预测结果的评价，因此精确率即：$P=TP/(TP+FP)$，比值越大，代表误判越少。

2. 准确率 (Accuracy)：分类正确的样本数占样本总数的比例
   准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；总共有 $TP+FN+FP+TN$ 个，所以准确率：$(TP+TN)/(TP+TN+FN+FP)$

3. 召回率 (Recall)：预测出来的正样本占正样本总数的比例
   召回率是相对于样本而言的，即样本中有多少正样本被预测正确了，这样的有TP个，所有的正样本有两个去向，一个是被判为正的，另一个是错判为负的，因此总共有TP+FN个；召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的，也能接受)，是对关注样本的的评价，所以，召回率 $R=TP/(TP+FN)$，比值越大，代表漏检越少。

4. F1 Score
   F1 Score指标就是综合精准率和召回率两个指标，计算方法为$F_1=\frac{2\ast precision\ast recall}{precision+recall}$ ，它是precision和recall的调和平均值，指标越大越好。