因为自己总记不太清具体的意义，这里梳理一下:

这里的TP、FN、FP、TN，其实真正对应的都说的是预测

TP：真的正样本（预测），实际也是正样本

FN：假的负样本（预测），实际也是正样本

FP：假的正样本（预测），实际是负样本

TN：真的负样本（预测），实际是负样本

precision = TP/(TP+FP)

recall = TP/(TP+FN)

1/F = (1/2)  * (1/precision+1/recall)

例子：视频采样判断是否是一个小偷，召回率很高，同时准确率很低。（判断为小偷的，基本都是小偷，但是正常人也被判别成了小偷）

ROC ：真阳（召回率）为纵坐标，假阳（FP/FP+TN),ROC正常应该在y=x之上。

AUC：ROC下的面积

具体选择PR曲线还是ROC曲线，有一条经验法则：

PR 、 ROC 都是通过不断变化阈值来画出来的。
PR曲线能够衡量在特定数据集上的表现。（右上凸更好）

ROC曲线能够在样本不均衡的时候更客观的衡量模型本身的性能。（左上凸更好）