評價指標：
(1)(True Postive TP): 若一個實例是正類，但是被預測成爲正類，即爲真正類
(2)(True Negative TN): 若一個實例是負類，但是被預測成爲負類，即爲真負類
(3)(False Postive FP): 若一個實例是負類，但是被預測成爲正類，即爲假正類
(4)(False Negative FN: 若一個實例是正類，但是被預測成爲負類，即爲假負類
1代表正類，0代表負類：
準確率（正確率）=所有預測正確的樣本/總的樣本 （TP+TN）/總
精確率= 將正類預測爲正類 / 所有預測爲正類 TP/（TP+FP）
召回率 = 將正類預測爲正類 / 所有正真的正類 TP/（TP+FN）
F值 = 精確率 * 召回率 * 2 / ( 精確率 + 召回率) （F 值即爲精確率和召回率的調和平均值）
1、準確率（Accuracy）
準確率(accuracy)計算公式爲：
注： 準確率是我們最常見的評價指標，而且很容易理解，就是被分對的樣本數除以所有的樣本數，通常來說，正確率越高，分類器越好。 準確率確實是一個很好很直觀的評價指標，但是有時候準確率高並不能代表一個算法就好。比如某個地區某天地震的預測，假設我們有一堆的特徵作爲地震分類的屬性，類別只有兩個：0：不發生地震、1：發生地震。一個不加思考的分類器，對每一個測試用例都將類別劃分爲0，那那麼它就可能達到99%的準確率，但真的地震來臨時，這個分類器毫無察覺，這個分類帶來的損失是巨大的。爲什麼99%的準確率的分類器卻不是我們想要的，因爲這裏數據分佈不均衡，類別1的數據太少，完全錯分類別1依然可以達到很高的準確率卻忽視了我們關注的東西。再舉個例子說明下。在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷。比如在互聯網廣告裏面，點擊的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點擊）acc也有 99% 以上，沒有意義。因此，單純靠準確率來評價一個算法模型是遠遠不夠科學全面的
2 、精確率（Precision）：
精確率是針對預測結果而言的，表示預測爲正的樣本中有多少是真正的正樣本，預測爲正的樣本中有兩種可能:
一種是把正類預測爲正（TP），一種是把負類預測爲正（FP）
3、召回率（Recall）：
召回率是針對我們原來的樣本而言，它表示樣本中的正類有多少被預測正確了，有兩種可能，一種是把原來的正類預測成正類（TP），一種是把原來的正類預測成負類（FN）
4、f1-score
P和R指標有時候會出現的矛盾的情況，這樣就需要綜合考慮他們，最常見的方法就是F-Measure（又稱爲F-Score）。 F-Measure是Precision和Recall加權調和平均：
