原文鏈接：http://blog.sina.com.cn/s/blog_900690c60101czyo.html
首先假設原始樣本中有兩類，其中：
1：總共有 P個類別爲1的樣本，假設類別1爲正例。
2：總共有N個類別爲0 的樣本，假設類別0爲負例。
經過分類後：
3：有 TP個類別爲1 的樣本被系統正確判定爲類別1，FN 個類別爲1 的樣本被系統誤判定爲類別 0，顯然有P=TP+FN；
4：有 FP 個類別爲0 的樣本被系統誤判斷定爲類別1，TN 個類別爲0 的樣本被系統正確判爲類別 0，顯然有N=FP+TN；
那麼：
精確度（Precision）：
P = TP/(TP+FP) ; 反映了被分類器判定的正例中真正的正例樣本的比重（
準確率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分類器統對整個樣本的判定能力——能將正的判定爲正，負的判定爲負
召回率(Recall)，也稱爲 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T; 反映了被正確判定的正例佔總的正例的比重
轉移性（Specificity，不知道這個翻譯對不對，這個指標用的也不多），也稱爲 True NegativeRate
S = TN/(TN + FP) = 1 – FP/N； 明顯的這個和召回率是對應的指標，只是用它在衡量類別0 的判定能力。
F-measure or balanced F-score
F = 2 * 召回率 * 準確率/ (召回率+準確率)；這就是傳統上通常說的F1 measure，另外還有一些別的F measure，可以參考下面的鏈接
上面這些介紹可以參考：
http://en.wikipedia.org/wiki/Precision_and_recall
同時，也可以看看：http://en.wikipedia.org/wiki/Accuracy_and_precision
爲什麼會有這麼多指標呢？
這是因爲模式分類和機器學習的需要。判斷一個分類器對所用樣本的分類能力或者在不同的應用場合時，需要有不同的指標。 當總共有個100 個樣本（P+N=100）時，假如只有一個正例（P=1），那麼只考慮精確度的話，不需要進行任何模型的訓練，直接將所有測試樣本判爲正例，那麼 A 能達到 99%，非常高了，但這並沒有反映出模型真正的能力。另外在統計信號分析中，對不同類的判斷結果的錯誤的懲罰是不一樣的。舉例而言，雷達收到100個來襲導彈的信號，其中只有 3個是真正的導彈信號，其餘 97 個是敵方模擬的導彈信號。假如系統判斷 98 個（97 個模擬信號加一個真正的導彈信號）信號都是模擬信號，那麼Accuracy=98%，很高了，剩下兩個是導彈信號，被截掉，這時Recall=2/3=66.67%，Precision=2/2=100%，Precision也很高。但剩下的那顆導彈就會造成災害。
因此在統計信號分析中，有另外兩個指標來衡量分類器錯誤判斷的後果：
漏警概率（Missing Alarm）
MA = FN/(TP + FN) = 1 – TP/T = 1 - R； 反映有多少個正例被漏判了（我們這裏就是真正的導彈信號被判斷爲模擬信號，可見MA此時爲 33.33%，太高了）
虛警概率（False Alarm）
FA = FP / (TP + FP) = 1 – P；反映被判爲正例樣本中，有多少個是負例。
統計信號分析中，希望上述的兩個錯誤概率儘量小。而對分類器的總的懲罰舊是上面兩種錯誤分別加上懲罰因子的和：COST = Cma MA + Cfa FA。不同的場合、需要下，對不同的錯誤的懲罰也不一樣的。像這裏，我們自然希望對漏警的懲罰大，因此它的懲罰因子 Cma 要大些。
個人觀點：雖然上述指標之間可以互相轉換，但在模式分類中，一般用 P、R、A 三個指標，不用MA和 FA。而且統計信號分析中，也很少看到用 R 的。如果有錯誤的地方，歡迎指出並改正