召回率表示的是样本中的某类样本有多少被正确预测了。比如对与一个分类模型，A类样本包含A0个样本，预测模型分类结果是A类样本中有A1个正样本和A2个其他样本，那么该分类模型的召回率就是 A1/A0,其中 A1+A2=A0
准确率表示的是所有分类中被正确分类的样本比例，比如对于一个分类模型，样本包含A和B两类，模型正确识别了A类中的A0个样本，B类中的B0个样本，则准确率为 （A0+B0）/（A+B)
ROC曲线是以假正率（FP_rate）和真正率（TP_rate）为轴的曲线，ROC曲线下面的面积我们叫做AUC，如下图所示：
曲线与FP_rate轴围成的面积（记作AUC）越大，说明性能越好，即：曲线越靠近A点(左上方）性能越好，曲线越靠近B点（右下方）曲线性能越差。
A点是最完美的performance点，B处是性能最差点。
位于C-D线上的点说明算法性能和随机猜测是一样的–如C、D、E点。位于C-D之上说明算法性能优于随机猜测–如G点，位于C-D之下说明算法性能差于随机猜测–如F点。
ROC曲线在高不平衡数据条件下仍不能够很好的展示实际情况