模型的评价

四个基本概念：
TP(True Positive): 真实为0，预测也为0-------------TP：True Positive,被判定为正样本，事实上也是正样本。
FN(False Negative): 真实为0，预测为1----------------FN：False Negative,被判定为负样本，但事实上是正样本。
FP(False Positive): 真实为1，预测为0------------------FP：False Positive,被判定为正样本，但事实上是负样本。
TN(True Negative): 真实为1，预测也为1--------------TN：True Negative,被判定为负样本，事实上也是负样本。

这四个考核标准，是最基本的四个标准， 其他的考核标准都是这些底层标准之间互相组合得到

• 1）正确率（accuracy）
  

正确率是我们最常见的评价指标，accuracy = （TP+TN）/(TP+TN+FP+FN)。

这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；

（GSZ：其实不是很明白，　如果是一个多分类的样本，这里面的TP　TN　　FP　FN　都是啥？）

• 2）错误率（error rate)
  

错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，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）
  

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（specificity)
  

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）精度（precision）（单一类准确率） : 预测为0的准确率
  

精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；

• 6）召回率--回归率（recall）
  

召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。

• ７）ｆ１得分（F1-Score）：对于某个分类，综合了Precision和Recall的一个判断指标，F1-Score的值是从0到1的，1是最好，0是最差
  
  

（https://blog.csdn.net/SunshineSki/article/details/88078709）