机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
在介绍指标前必须先了解“混淆矩阵”：
混淆矩阵
True Positive(真正，TP)：将正类预测为正类数，是正的，也预测正的
True Negative(真负，TN)：将负类预测为负类数，是负的，也预测负的
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)，是负的，预测为正的
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)，是正的，预测为负的
1、准确率（Accuracy）
分子：正正+负负
分母：正负+负正+正正+负负
准确率(accuracy)计算公式为：
2、错误率（Error rate）
分子：负正+正负
分母：所有
错误率则与准确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(TP+TN+FP+FN)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate。
3、灵敏度（sensitive）、召回率
分子：正正，
分母：正正+正负
sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。
4、特效度（sensitive）
分子：负负
分母：负负+负正
specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力。
5、精确率、精度（Precision）
分子：正正
分母：正正+负正
精确率(precision)定义为：
表示被分为正例的示例中实际为正例的比例。