TP（True Positive）：把正类预测为正类
FP（False Postive）：把负类预测为正类
TN（True Negative）：把负类预测为负类
FN（False Negative）：把正类预测为负类
1.精确率
精确率是指预测为正的样本中有多少是真正的正样本（找出来的正样本有多少是正确的）。
精确率P=TP/(TP+FP)
2.召回率
召回率是指有多少正的样本被正确分类（正样本有多少被找出来了）。
召回率R=TP/(TP+FN)
3.准确率
准确率是指所有样本中被分类正确的比例。
准确率ACC =（TP+TN）/（TP+FP+TN+FN）
4.ROC曲线
受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），roc曲线上每个点反映着对同一信号刺激的感受性。
true positive rate（真阳性率）: TPR = TP/(TP+FN)
false positive rate（伪阳性率）: FPR = FP/(FP+TN)
直观上，TPR 代表能将正例分对的概率，FPR 代表将负例错分为正例的概率。在 ROC 空间中，每个点的横坐标是 FPR，纵坐标是 TPR，这也就描绘了分类器在 TPR（真正率）和 FPR（假正率）间的 trade-off
ROC曲线的优点：ROC曲线可以无视样本不平衡，当正负样本分布变化的时候，ROC曲线可以保持不变。
5.AUC（Area Under Curve）
Roc曲线下的面积，介于0.1和1之间。AUC作为数值可以直观的评价分类器的好坏，值越大越好。
