准确率、召回率、命中率、误报率、精确度

TP、TN、FP、FN

这 4 个名词表示的是数量。

TP：True Positive，表示把 【实际恶意应用】 预测为 【恶意应用】 的个数；
FP：False Positive，表示 【实际正常应用】 预测为 【恶意应用】 的个数；
TN：Ture Negative，表示把 【实际正常应用】 预测为 【正常应用】 的个数；
FN：False Negative，表示 【实际恶意应用】 预测为 【正常应用】 的个数；

注意1： 【正常应用】在此文中与【良性应用】是一个意思。
注意2： TP 的含义，决定了之后的公式表示。 在此文中，TP 表示把「实际恶意应用」判定为「恶意应用」，这是此文讨论的基准。 在有些论文中， TP 表示把「良性应用」判定为「良性应用」，此时所有的公式都要相应改变。

True 表示预测对了。
False 表示预测错了。

对于【检测恶意应用】来说，Positive 是指，检出了恶意应用。Negative 是指没有检查出恶意应用。 再强调一次：这是本文的基准。有些论文中基准不一样。

Postive 虽然检查出了【恶意应用】，但是存在把【正常应用】判定为【恶意应用】，这是误报，也就是 FP （False Positive） 所对应的结果是误报。

Negative 判断出了哪些 app 是【正常应用】，但是这里面有【恶意应用】，也就是没有判断出来它是恶意的，这是漏报，也就是 FN（False Negative） 对应的结果是漏报。

总结：
FP （False Positive）表示误报。
FN （False Negative）表示漏报。

从含义来看，$TP+FN$ 表示样本中全部的恶意应用。
$FP+TN$ 表示样本中全部的正常应用。
$TP+TN$ 表示预测准确的个数。
这两个值（$TP+FN$，$FP+TN$）会被用到比例中，见下面的各种率。

下面的概念中，以【检测恶意应用】为例来说明。

召回率 Recall

其他名称：查全率，命中率，真阳性率。

含义：检测出来的恶意应用的个数（TP）占样本中所有恶意应用个数的比例。
公式为：
$$Recall=\frac{TP}{TP+FN}$$
或者
$$TPR=\frac{TP}{TP+FN}$$

$TP+FN$ 表示所有的恶意应用。即【被判定为恶意应用的恶意应用的个数】 + 【被判定为正常应用的恶意应用的个数】之和。也就是不管被判定为什么，它们原本就是恶意应用的个数。

$FN$ 是漏报个数，$TP+FN$ 是所有恶意应用的个数，如果漏报增加，$TP+FN$ 之和是不变的，那么 $TP$ 就会减少，召回率下降。
漏报增多，导致召回率下降。

命中率 TPR: True Positive Rate

其他名称：召回率，查全率，真阳性率。

见「召回率」。

误报率 FPR: False Positive Rate

含义：把正常应用判定为恶意应用的个数（FP）占所有正常应用个数的比例。
公式：
$$FPR=\frac{FP}{FP+TN}$$

$FP+TN$ 表示样本中全部的正常应用。

准确率 Accuracy

含义：检测结果为 True 的个数占总样本个数的比例
$$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$$

$TP+TN$ 表示预测准确的个数。
$TP+TN+FP+FN$ 为所有样本的个数。

精确度 Precision

含义：被认定为恶意应用的 app 中，有多少是真正的恶意应用。
公式：
$$Precision=\frac{TP}{TP+FP}$$

$TP+FP$ 表示被判定为恶意应用的个数。其中包含了真正的恶意应用，也包含了被误判的正常应用。

$TP$ 的上限是所有的恶意应用都被正确识别出来，即 $TP$ 的上限是所有恶意应用的个数。
$FP$ 是误报，当 $TP$ 固定，误报增加时，精确度下降。
误报增多，导致精确度下降。

综合查全率 F-Measure

平均上述的 Precision 和 Recall 指标后的综合评测标准。
其公式如下:
$$F\text{-}measure=\frac{2\times Precision\times Recall}{Precision+Recall}$$

参考

https://www.cnblogs.com/by-dream/p/7668501.html 这个链接 中 给出的是通用意义上的解释，在对应具体的场景时，Recall 和 Precision 的公式是不一样的。

以及其他论文中的解释。