目录
1.准确率（Accuracy）
准确率是指我们的模型预测正确的结果所占的比例。
正式点说，准确率的定义如下：
$Accuracy = \frac{Number of correct predictions}{Total number of predictions}$
对于二元分类，也可以根据正类别和负类别按如下方式计算准确率：
$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}$
其中，TP = 真正例，TN = 真负例，FP = 假正例，FN = 假负例。
例如：该模型将 100 条流分为Tor （正类别）或no-Tor（负类别）：
$Accuracy = \frac{TP+TN}{TP+TN+FP+FN}= \frac{1+90}{1+90+1+8}=0.91$
准确率为 0.91，即 91%（总共 100 个样本中有 91 个预测正确）。
但仔细琢磨正负例的比例，显然是不够能说明问题的。例如，我有1000个样本，其中910都是负例，模型只要学到将所有样本预测为负例，准确率即可达到91%，这样却永远检测不出正例。
所以，当使用分类不平衡的数据集（比如正类别标签和负类别标签的数量之间存在明显差异）时，单单准确率一项并不能反映全面情况。
在2、3部分中，我们将介绍两个能够更好地评估分类不平衡问题的指标：召回率和精确率。
2.召回率（Recall=TPR）
召回率表示在所有正类别样本中，被正确识别为正类别的比例。
从数学上讲，召回率的定义如下：
$Recall=\frac{TP}{TP+FN}$
让我们来计算一下流量分类器的召回率(上面的例子)：
$Recall=\frac{TP}{TP+FN} = \frac{1}{1+8} = 0.11$
该模型的召回率是 0.11，也就是说，该模型能够正确识别出所有Tor流量的百分比是 11%。
3.精确率（Precision）
精确率表示被识别为正类别的样本中，确实为正类别的比例。
精确率的定义如下：
$Precision=\frac{TP}{TP+FN}$
让我们来计算一下流量分类器（上面的例子）的精确率：
$Precision=\frac{TP}{TP+FN} =\frac{1}{1+1} = 0.5$
该模型的精确率为 0.5，也就是说，该模型在预测Tor流量方面的正确率是 50%。
参考：https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=zh-cn
4.召回率与精确率的关系
在信息检索领域，召回率和精确率又被称为查全率和查准率：
- 查全率＝检索出的相关信息量 / 系统中的相关信息总量
- 查准率＝检索出的相关信息量 / 检索出的信息总量
由此可以理解：
- 假负例 (FN)又叫漏报
- 假正例 (FP)又叫误报
参考：机器学习性能评估指标
5.误报率（FPR）与漏报率（FNR）
真正例率 TPR = TP / (TP + TN)
表示，被挑出来的（预测是“正”的），且正确的（预测值=真实值）的，占总的预测正确的比率。
反正例率 FPR = FP / （FP + TN）
表示，被挑出来的（预测是“正”的），但错误的（预测值!=真实值）的，占总的预测错误的比率。
TPR越大，则表示挑出的越有可能（是正确的）；FPR越大，则表示越不可能（在挑选过程中，再挑新的出来，即再挑认为是正确的出来，越有可能挑的是错误的）。
TNR（True Negative Rate）可以理解为所有反类中，有多少被预测成反类（反类预测正确），给出定义如下：
FNR（False Negative Rate）可以理解为所有正类中，有多少被预测成反类（反类预测错误），给出定义如下：
误报率（FPR）、漏报率（FNR）