P-R曲线
对于二分类问题，可以将训练集的真实类别与机器学习预测的类别划分为真正例(true positive) 、假正例(false positive) 、真反倒(true negative) 、假反例(false negative) 四种情形，令TP 、FP 、TN 、FN 分别表示其对应的样例数，则显然有TP+FP+TN+FN=样例总数。分类结果的“混淆矩阵”如下：
查准率 P 与查全率 R 的定义如下：
查准率与查全率是一对矛盾的度量，一般来说，查准率高时，查全率较低；查全率高时，查准率偏低，常用查准率 P 作为纵轴，查全率 R 作为横轴的 P-R 曲线来表示两者的变化情况。
在进行机器学习比较时，可以用平衡点来比较，也可以使用P、R 的调和平均数 F1 来综合度量模型的效果，其公式如下：
ROC曲线
"真正例率" (True Positive Rate，简称TPR) ，"假正例率" (False PositiveRate，简称FPR)的公式如下：
ROC曲线的纵轴是TPR，横轴是FPR。其图像如下：
进行学习器的比较时， 与P-R 图相似， 若一个学习器的 ROC 曲线被另一个学习器的曲线完全"包住"， 则可断言后者的性能优于前者;若两个学习器的 ROC 曲线发生交叉，则较难断言两者孰优孰劣。 此时如果一定要进行比较， 则较为合理的判据是比较ROC 曲线下的面积，即AUC (Area UnderROC Curve)。