先理解一下正类（Positive）和负类（Negetive），比如现在要预测用户是否点击了某个广告链接，点击了才是我们要的结果，这时，点击了则表示为正类，没点击则表示为负类。
TP(True Positive)：被预测成了正类的正类，即正确预测的正类
FP(False Positive)：被预测成了正类的负类
TN(True Negetive)：被预测成了负类的负类，即正确预测的负类
FN(False Negetive)：被预测成了负类的正类
一、准确率（Accuracy）
准确率跟正类负类没多大关系，表示在预测结果中，正确预测的数量 / 样本总数。
二、精确率（Precision）
在预测结果中，正确预测的正类数 / 预测为正类的数量 : TP / (TP+FP）
三、召回率（Recall）
在预测结果中，正确预测的正类数 / 原本即为正类的数量 : TP / (TP+FN）
四、F-Measure
用precision和recall两个指标不直观，索性把他们合并为一个变量——F-measure：Recall * Precision * 2 / (Recall + Precision)（越大越好，1为理想状态，此时precision为1，recall为1）
五、ROC
ROC曲线是以 FP Rate 为横轴，TP Rate 为纵轴的曲线。如下图所示
图片来源：https://www.cnblogs.com/haoguoeveryone/p/haoguo_5.html
六、AUC
AUC 即 ROC 曲线对应的面积，面积越大越好。
七、疑问
ROC曲线理想情况下，应该是TP Rate越接近1，FP Rate越接近0更好才对。但对应于AUC，应该是曲线越靠近左上方AUC越大，曲线越靠近右下方AUC越小。这样就显得有点矛盾了，有点搞不清楚，是不是曲线呈现下降趋势才是正确的？希望有大神看到了帮我一下，谢谢！感激不尽！