正确率、精确率、召回率、F1、AUC和ROC曲线其实都是评价模型好坏的指标，而且相互之间是有关系的，只是侧重点不同。
根据混淆矩阵可以得出：TP,FN,FP,TN四个值。
准确率：（TP+TN）/(TP+FN+FP+TN)
可以看出是实际分对的样本/总样本
精确率：TP/ ( TP+FP )
预测为正确的样本中实际为正确样本的占比
召回率： TP /（TP+FN）
F1值相当于精确率和召回率的综合评价指标。
接下来就是ROC值，ROC空间将伪阳性率（FPR）定义为 X 轴，真阳性率（TPR）定义为 Y 轴。这两个值由上面四个值计算得到,公式如下:
TPR（True Positive Rate）：TPR代表能将正例分对的概率，也就是召回率：
TPR=TP/(TP+FN)
FPR(false Positive Rate)：FPR代表将负例错分为正例的概率，也就是误检率：
FPR=FP/(FP+TN)
AUC值等于ROC曲线下面的面积
AUC = 1，是完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。绝大多数预测的场合，不存在完美分类器。
0.5 < AUC < 1，优于随机猜测。这个分类器（模型）妥善设定阈值的话，能有预测价值。
AUC = 0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
较大的AUC代表了较好的模型。
为什么要用ROC？
因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反），而且测试数据中的正负样本的分布也可能随着时间变化，例如Precision-Recall曲线则变化较大。
PR值：就是以precision为横轴， recall为纵轴，取不同的threshold画成的，鱼与熊掌不可兼得，可用此图辅助，控制你的阈值，达到你的要求，如何更好的选择你的precision和recall。