TP—正确地预测了正类，正 $\rightarrow$正
TN—正确地预测了负类，负 $\rightarrow$负
FP—错误地预测了正类，负 $\rightarrow$正
FN—错误地预测了负类，正 $\rightarrow$负

准确率 $Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$准确率是分类问题中最简单也是最直观的评价指标，但存在明显缺陷，在样本类别不平衡时，例如负样本占99%，分类器只需要全部分类成负样本就能得到99%的准确率，所以这时占比大的类别往往成为影响准确率的最主要的因素。

精确率 $P=\frac{TP}{TP+FP}$
召回率 $R=\frac{TP}{TP+FN}$
在排序问题中，通常没有一个确定的阈值把得到的结果直接判定为正样本或负样本，而是采用Top N返回结果的精确率或者召回率来衡量排序模型的性能。

P-R曲线的横轴是召回率，纵轴是精确率。
其P-R曲线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本，小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。整条P-R曲线是通过将阈值从高到低移动而生成的。原点附近代表阈值最大时模型的精确率和召回率。

$F_{1}$是精确率和召回率的调和均值 $\frac{2}{F_{1}}=\frac{1}{P}+\frac{1}{R}$ $F_{1}=\frac{2TP}{2TP+FP+FN}$

ROC曲线的横坐标是假阳性率FPR，纵坐标是真阳性率TPR。 $FPR=\frac{FP}{N}$ $TPR=\frac{TP}{P}$相比于P-R曲线，ROC曲线有一个特点，当正负样本的分布发生变化时，ROC曲线的形状基本能保持不变，而P-R曲线的形状会发生较剧烈的变化。