阳性（正）样例P和阴性（负）样例N，将正样本预测为正样本的为True positive（TP），正样本预测为负样本的为False negativ（FN），负样本预测为正样本的为False positive（FP），负样本预测为负样本的为True negative（TN）。所以有：
$$P = TP+FN \\\\ N =FP+TN $$
1、准（正）确率accuracy
反映分类器或者模型对整体样本判断正确的能力，即能将阳性（正）样本positive判定为positive和阴性（负）样本negative判定为negative的正确分类能力。值越大，性能performance越好
$$ACC = \frac{TP +TN}{TP+TN+FP+FN}$$
这里注意，在负样本占绝对多数的场景中，不能单纯追求准确率，因为将所有样本都判定为负样本，这种情况下准确率也是非常高的。
2、精确率precision
反映分类器或者模型正确预测正样本精度的能力，即预测的正样本中有多少是真实的正样本。值越大，性能performance越好
$$precision = \frac{TP}{TP+FP}$$
这里注意，单纯追求精确率，会造成分类器或者模型少预测为正样本，这时FP低，即精确率就会很高。
3、召回率recall，也称为真阳率、命中率（hit rate）
反映分类器或者模型正确预测正样本全度的能力，增加将正样本预测为正样本，即正样本被预测为正样本占总的正样本的比例。值越大，性能performance越好
$$recall =TPR= \frac{TP}{TP+FN} = \frac{TP}{P}$$
这里注意，单纯追求召回率，会造成分类器或者模型基本都预测为正样本，这时FN低，即召回率就会很高。
4、误报率false alarm，也称为假阳率、虚警率、误检率
反映分类器或者模型正确预测正样本纯度的能力，减少将负样本预测为正样本，即负样本被预测为正样本占总的负样本的比例。值越小，性能performance越好
$$falsealarm = FPR=\frac{FP}{FP+TN} =\frac{FP}{N}$$
5、漏报率miss rate，也称为漏警率、漏检率
反映分类器或者模型正确预测负样本纯度的能力，减少将正样本预测为负样本，即正样本被预测为负样本占总的正样本的比例。值越小，性能performance越好
$$missrate = FNR = \frac{FN}{TP+FN} = \frac{FN}{P}$$
6、特异度specificity
反映分类器或者模型正确预测负样本全度的能力，增加将负样本预测为负样本，即负样本被预测为负样本占总的负样本的比例。值越大，性能performance越好
$$specificity = TNR = \frac{TN}{FP+TN} = \frac{TN}{N}$$
