首先模型预测后的数据包括这几种情况：
TP（True Positive）：实际为正例，被预测为正例，预测正确
FP（False Positive）：实际为负例，被预测为正例，预测错误
FN（False Negative）：实际为正例，被预测为负例，预测错误
TN（True Negative）:实际为负例，被预测为负例，预测正确
评价指标
（1）Precision，精确率：P=TP/（TP+FP）
（2）Recall，召回率：R=TP/（TP+FN）
（3）F-Score，即precision和recall的调和平均值，更接近precision和recall中较小的那一个值：
F=(2*P*R)/(P+R)
（4）Accuracy,分类器对整体样本的分类能力，也就是正例分为正例，负例分为负例的概率
A=（TP+TN）/（TP+FP+TN+FN）
（5）ROC(Receiver Operating Characteristic)，主要用于画ROC曲线（横坐标为FPR，纵坐标为TPR）
FPR=FP/(FP+TN),也就是负例被错误预测为正例的数目占总负例的比例
TPR=TP/（TP+FN），也就是被正确预测的正例占总正例的比例
ROC曲线中的几个关键点：
（FPR=0，TPR=0）：将全部正例分为负例，全部负例分为负例
（FPR=0，TPR=1）：将全部正例分为正例，全部负例为负例，即全部划分正确
（FPR=1，TPR=1）：将全部负例分为正例，所有的数据都分为正例
由此可见，ROC曲线越靠近左上角，说明分类器的效果越好。
（6）AUC（Area Under ROC Curve）
AUC的值就是处于ROC曲线下方的那部分面积的大小。通常，AUC的值介于0.5到1之间。AUC的值越大代表的模型就越好。一个完美的模型AUC=1
