对于二分类问题，机器预测的和实际的还是会有所偏差，所以我们引入以下几个概念来评价分类器的优良。
首先有关TP、TN、FP、FN的概念。TP与TN都是机器（预测）分类分对了的情况，TP是预测为正类且预测正确，TN是预测为负类且预测正确。FP与FN都是机器（预测）分类分错了的情况，FP是把实际负类分类（预测）成了正类，而FN则是把实际正类分类（预测）成了负类。（T则代表分类正确，F代表分类错误；P代表全体类中实际正类，N代表全体类中实际负类。）
【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生看成是负类。我们可以用混淆矩阵来描述TP、TN、FP、FN。
| 相关（Relevant），正类P | 无关（NonRelevant），负类N | |
| 预测为正类 | True Positives（TP，正类判定为正类。即女生判定为女生。） | False Positives（FP，负类判定为正类，即“存伪”。男生判定为女生。） |
| 预测为负类 | False Negatives（FN，正类判定为负类，即“去真”。女生判定为男生。） | True Negatives（TN，负类判定为负类。即男生判定为男生。） |
明确这三个概念的英文名称：
精确率（Precision），准确率（Accuracy），召回率（Recall）。
1.准确率（Accuracy）。顾名思义，就是所有预测正确的（包括正类和负类）占总的的比例。
2.精确率（Precision），查准率。即正确预测为正类的占全部预测为正类的的比例。个人理解：在所有预测为正类中真正为正类的占所有预测为正类的的比例。
精确率是针对我们预测结果而言的，它表示的是预测为正类的样本中有多少是真正的正类样本。那么预测为正类就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。
3.召回率（Recall），查全率。即正确预测为正类的占全部实际为正类的的比例。个人理解：在所有预测为正类中真正为正类的占总体实际为正类的的比例。
召回率是针对我们原始样本而言的，它表示的是全体样本中的所有正类样本有多少被预测正确了。也有两种可能，一种是把正类预测为正类(TP)，另一种就是把正类预测为负类(FN)。
对于精确率和召唤率，其实就是分母不同，一个分母是预测为正类的样本数，另一个是原始样本中所有的正类样本数。
精确率和召唤率的区别：
举例：
假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本。系统查找出50个正样本，其中只有40个是真正的正样本，计算上述各指标。
- TP：将正类预测为正类的样本数 40
- FN：将正类预测为负类的样本数 20
- FP：将负类预测为正类的样本数 10
- TN：将负类预测为负类的样本数 30
准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
为什么这样起名？
召回率 (Recall)：该类样本有多少被找出来了（召回了多少）。
精确率 (Precision)：你认为的该类样本，有多少猜对了（猜的精确性如何）。
