F1 score
召回率 recall ： 真實正例中預測爲正的比例。
準確率 precision ： 預測爲正的實例真實也爲正（預測正確）的比例。
ROC曲線
其他展示分類模型性能的可視化技術是受試者特徵曲線（ROC 曲線，Receiver Operating Characteristic curve）。
這個思想是相當簡單的：ROC 曲線展示了 當改變在模型**（預測）中識別爲正例的閾值時，召回率和精確度的關係會如何變化。
ROC 曲線在 Y 軸上畫出了真正例率（TPR），在 X 軸上畫出了假正例率(FPR)** 。TPR 是召回率，FPR 是反例被報告爲正例的概率。這兩者都可以通過混淆矩陣計算得到。
黑色對角線 ：隨機分類器，
紅色和藍色曲線 ：兩種不同的分類模型。
對於給定的模型，只能對應一條曲線。但是我們可以通過調整對正例進行分類的閾值來沿着曲線移動。
通常，當降低閾值時，會沿着曲線向右和向上移動。
在閾值爲 1.0 的情況下，我們將位於圖的左下方，因爲沒有將任何數據點識別爲正例，這導致沒有真正例，也沒有假正例（TPR = FPR = 0）。當降低閾值時，我們將更多的數據點識別爲正例，導致更多的真正例，但也有更多的假正例 ( TPR 和 FPR 增加)。最終，在閾值 0.0 處，我們將所有數據點識別爲正，並發現位於 ROC 曲線的右上角 ( TPR = FPR = 1.0 )。
最後，我們可以通過計算曲線下面積 ( AUC ) 來量化模型的 ROC 曲線，這是一個介於 0 和 1 之間的度量，數值越大，表示分類性能越好。在上圖中，藍色曲線的 AUC 將大於紅色曲線的 AUC，這意味着藍色模型在實現準確度和召回率的權衡方面更好。隨機分類器 (黑線) 實現 0.5 的 AUC。