准确率 Accuracy：
模型预测正确的比例；总样本中预测对的概率；所有样本中实际是正例的占比；正确预测的样本数与总样本数之比。
准确率 =（真正例+真负例）/(真正例+真负例+假正例+假负例)。
精确率 Precision：
又叫查准率，表示预测为正的样本中，有多少是真正的真样本（找得对）；即真正例（True Positive）与预测为正的样本数之比。
精确率 = 真正例/(真正例+假正例)
召回率 Recall：
表示样本中的正例被预测正确了（找得全）；正例占预测对的占比；预测结果正确的样本中，有多少是真正的真样本；即真正例（True Positive）与实际为正的样本数之比。
召回率 = 真正例/(真正例+假负例)
F1 Score：
既能体现精确率又能体现召回率，是精确率和召回率的调和平均数。
F1 = 2*精确率*召回率/(精确率+召回率)
精确率和召回率的关系：
精确率和召回率其实就是分母的不同，精确率是针对预测为正的结果，召回率是针对实际为正的结果。
计算公式总结：
准确率acc：accuracy = (TP+TN)/(TP+TN+FP+FN)
精确率p：precision = TP/(TP+FP)
召回率rec：recall = TP/(TP+FN)
F1 Score：F1=2 * Precision * Recall / (Precision + Recall)
计算公式的理解：
TP+FP+TN+FN：所有样本数；
TP+TN：预测结果是对的；
TP+FP：预测为正的；
TP+FN：实际为正的；
说到这，就不得不提混淆矩阵了，能帮助我们理解和记忆以上评估模型的几个指标：
| 混淆矩阵 |
预测结果 |
||
| 1-Positive |
0-Negative |
||
| 真实情况 |
1-Positive |
TP |
FN |
| 0-Negative |
FP |
TN |
|
真正例（True Positive）：模型预测为正，且实际也为正的样本数。（预测结果是对的）
假正例（False Positive）：模型预测为正，但实际为负的样本数。（预测结果是错的）
假负例（False Negative）：模型预测为负，但实际为正的样本数。（预测结果是错的）
真负例（True Negative）：模型预测为负，且实际也为负的样本数。（预测结果是对的）
T：True的首字母，表示预测结果是正确的；
F：False的首字母，表示预测结果是错误的；
P：Positive的首字母，预测是正样本；
N：Negative的首字母，预测是负样本；
补充：
样本不平衡时，评价模型的方法用ROC或AUC；平衡数据，用准确率accuracy。