针对二分类的结果，对模型进行评估，通常有以下几种方法：
Precision、Recall、F-score（F1-measure）
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（True Positive）：预测结果为正类，实际上就是正类
FP（False Positive）：预测结果为正类，实际上是反类
FN（False negative）：预测结果为反类，实际上是正类
TN（True negative）：预测结果为反类，实际上就是反类
1. Precision, Recall, F-score（F-measure）
Precision（准确率）可以理解为预测结果为正类中有多少真实结果是正类的：
Recall（召回率）可以理解为真实结果为正类中有多少被预测成正类：
F-score（F值）又称作F1-measure，是综合考虑Precision和Recall的指标：
2. TPR, FPR, TNR, FNR, AUC
TPR（True Positive Rate）可以理解为所有正类中，有多少被预测成正类（正类预测正确），即召回率：
FPR（False Positive Rate）可以理解为所有反类中，有多少被预测成正类（正类预测错误）：
TNR（True Negative Rate）可以理解为所有反类中，有多少被预测成反类（反类预测正确）：
FNR（False Negative Rate）可以理解为所有正类中，有多少被预测成反类（反类预测错误）：
以FPR（False Positive Rate）为横坐标，TPR（True Positive Rate）为纵坐标，称作ROC曲线：
ROC曲线又称作“受试者工作特性曲线”，很明显，越靠近左上角的点，效果越好。
AUC（Area Under Curve）定义为ROC曲线下的面积，很明显，这个值越大越好。
3. Accuracy
Accuracy（精确率）可以理解为所有实验中，分类正确的个数：
