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：