在wiki上查了一些定义,现在整理一下
首先需要知道一些英文缩写：
P ： positive (比如机器学习中的正样本)
N： negative(比如机器学习中的负样本)
TP： true positive（字面意思是真的正样本，意思就是：把正样本归类正样本，就是没分错的该正样本）
TN： true negative（字面意思是真的负样本，意思就是：把负样本归类到负样本，就是没分错该负样本）
FP：false positve（字面意思是错误的正样本，意思就是：把负样本分到正样本那一类去了，就是分错了该负样本）
FN：false negative(字面意思是错误的负样本，意思就是：把正样本分成了负样本，错分了该正样本)
括号后面是我结合具体的分类问题举的例子，方便理解。
接下来就是precision,recall,accuracy的定义了：precision = TP/(TP+FP) ,比如在二分类问题中，我正负样本一共有20个，其中8个正样本，12个负样本，我现在将这20个样本送到分类器中分类，其中识别正确的正样本有5（TP）个，把剩余的3个正样本识别成了负样本（FN），把负样本识别正样本的个数3（FP），正确识别9个负样本（TN），那么这个结果的precision=5/(5+3) ->62.5%.
accuracy = (TP+TN)/(TP+TN+FP+FN) ,对应上面的例子为，accuracy = （5+9）/(5+9+3+3) -> 70%
recall = TP/(TP+FN) ，对应上面的例子为：recall = 5/(5+3) -> 62.5%
总结：
precision：分类器挑选出来的正样本（上个例子总分类器认为有8个是正样本，其中5个是真的正样本，还有3个是把负样本分类为了正样本）究竟有多少是真的正样本。
recall：在全部（8）真正的正样本李曼分类器挑选对了多少个（5）。