针对二分类的评估指标有Precision，Recall， F1-Score
TPR，FPR， TNR，FNR，AUC，Accuracy
| 真实结果 | |||
|---|---|---|---|
| 1 | 0 | ||
| 预测结果 | 1 | TP（真阳性） | FP（假阳性） |
| 0 | FN（假阴性） | TN（真阴性） |
TP：预测为正类，并且预测正确
FP：预测为正类，预测错误
FN：预测为负类，预测错误
TN：预测为负类，预测正确
precision
准确率
[precision = frac{TP}{TP+FP}
]
预测为正类中多少个真的为正类，意味着可能存在负类预测为正类的情况（FP）
Recall
召回率
[recall = frac{TP}{TP+FN}
]
真实正类中有多少预测出来了，意味着有些真实正类预测为负类的情况（FN）
F1-score
综合考虑精准率P和召回率R
[F1 = 2* frac{P*R}{P+R}
]
TPR
真阳性率，其实就是召回率
[TPR = frac{TP}{TP+FN}
]
真实为阳性的，被预测为阳性比例，可能有真实为阳性预测为阴性的
FPR
假阳性率
[FPR = frac{FP}{FP+TN}
]
真实为阴性的，被预测为阳性比例，可能有真实为阴性并且预测为阴性的
TNR
真阴性率
[TNR = frac{TN}{TN+FP}
]
真实为阴性的，被预测为阴性比例，可能有真实为阴预测为阳性的
FNR
假阴性率
[FNR = frac{FN}{FN+TP}
]
真实为阳的，被预测为阴性比例，可能有真实为阳预测为阳的
ROC， AUC
以假阳率（FPR）为横坐标，真阳率（TPR）为纵坐标称为ROC曲线，ROC曲线下的面积为AUC，显然这个面积越大越好
精准率accuracy
就是分类正确的个数
[accuracy = frac{TP+TN}{TP+TN+FP+FN}
]