1. 常见术语
这里首先介绍几个 常见 的 模型评价术语，现在假设我们的分类目标只有两类，记为正例（positive）和负例（negtive）分别是：
- True positives(TP): 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）
- False positives(FP): 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数
- False negatives(FN):被错误地划分为负例的个数，即实际为正例但被分类器划分为负例的实例数
- True negatives(TN): 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数
1）P=TP+FN 表示实际为正例的样本个数。
2）True、False 描述的是分类器是否判断正确。
3）Positive、Negative 是分类器的分类结果，如果正例计为 1、负例计为-1，即 positive=1、negtive=-1。用 1 表示 True，-1 表示 False，那么实际的类标=TFPN，TF 为 true 或 false，PN为 positive 或 negtive。
4）例如 True positives(TP)的实际类标=11=1 为正例，False positives(FP)的实际类标=（-1）1=-1 为负例，False negatives(FN)的实际类标=（-1）（-1）=1 为正例，True negatives(TN)的实际类标=1*（-1）=-1 为负例。
2 、评价指标
1）正确率（accuracy）
正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，正确率是被分对的样本数在所有样本数中的占比，通常来说，正确率越高，分类器越好。
2）错误率（error rate)
错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以 accuracy =1 - error rate。
3）灵敏度（sensitive）
sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。
4）特效度（specificity)
specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力。
5）精度（precision）
精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/ （TP+FP）。
6）召回率（recall）
召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。
7）其他评价指标
- 计算速度：分类器训练和预测需要的时间；
- 鲁棒性：处理缺失值和异常值的能力；
- 可扩展性：处理大数据集的能力；
- 可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。
8）查准率和查全率反映了分类器分类性能的两个方面。
如果综合考虑查准率与查全率，可以得到新的评价指标 F1 测试值，也称为综合分类率：
为了综合多个类别的分类情况，评测系统整体性能，经常采用的还有微平均 F1（micro-averaging）和宏平均 F1（macro-averaging ）两种指标。宏平均 F1 与微平均 F1 是以两种不同的平均方式求的全局的 F1 指标。其中宏平均 F1 的计算方法先对每个类别单独计算F1 值，再取这些 F1 值的算术平均值作为全局指标。而微平均 F1 的计算方法是先累加计算各个类别的 a、b、c、d 的值，再由这些值求出 F1 值。由两种平均 F1 的计算方式不难看出，宏平均 F1 平等对待每一个类别，所以它的值主要受到稀有类别的影响，而微平均 F1 平等考虑文档集中的每一个文档，所以它的值受到常见类别的影响比较大。