给定一组待测试的样本，该样本数据共有$N$N个，其中$|p|$∣p∣个正样本，$|n|$∣n∣个负样本，经训练模型测试后，预测出$|ep|$∣ep∣个正例，$|en|$∣en∣个负例。

1. Accuracy

准确率代表了预测准确的样本个数；
$TP = |p\cap ep|\ \ \ \ \ \ TN = |n\cap en|$TP=∣p∩ep∣      TN=∣n∩en∣
$Accuracy = \frac{TP+TN}{N}$Accuracy=NTP+TN​
准确率在样本分布不均衡时，无法较好地衡量该模型的好坏。

2. Precision, Recall

查准率($precision$precision)是指在预测出的正结果中，有多少是正确的；
$FP = |ep-p\cap ep|$FP=∣ep−p∩ep∣
$precision = \frac{TP}{|ep|}=\frac{TP}{FP+TP}$precision=∣ep∣TP​=FP+TPTP​
查全率($recall$recall)是指在所有的正样本中，有多少被准确预测出来;
$FN = |p-p\cap ep|$FN=∣p−p∩ep∣
$recall=\frac{TP}{|p|}=\frac{TP}{FN+TP}$recall=∣p∣TP​=FN+TPTP​
将模型预测的结果进行排序，按顺序逐个把样本作为正例进行预测，每次都可得到当前预测结果下的$presicion$presicion和$recall$recall，然后以$presicion$presicion和$recall$recall为纵横坐标轴，就可画出P-R曲线。

3. 真正率（TPR）, 假正率（FPR）

真正率指在所有的正样本中，被准确预测出来为正的样本有多少，也就是，查全率;
$TPR=\frac{TP}{FN+TP}$TPR=FN+TPTP​
假正率指在所有的负样本中，被预测出为正的样本有多少。
$TN = |n\cap en|$TN=∣n∩en∣
$TPR=\frac{TP}{FP+TN}$TPR=FP+TNTP​
将模型预测的结果进行排序，按顺序逐个把样本作为正例进行预测，每次都可得到当前预测结果下的$TPR$TPR和$FPR$FPR，然后以$TPR$TPR和$FPR$FPR为纵横坐标轴，就可画出ROC曲线，曲线下的面积就是AUC。

4. 看图理解