因為自己總記不太清具體的意義，這裡梳理一下:

這裡的TP、FN、FP、TN，其實真正對應的都說的是預測

TP：真的正樣本（預測），實際也是正樣本

FN：假的負樣本（預測），實際也是正樣本

FP：假的正樣本（預測），實際是負樣本

TN：真的負樣本（預測），實際是負樣本

precision = TP/(TP+FP)

recall = TP/(TP+FN)

1/F = (1/2) * (1/precision+1/recall)

例子：視訊取樣判斷是否是一個小偷，召回率很高，同時準確率很低。（判斷為小偷的，基本都是小偷，但是正常人也被判別成了小偷）

ROC ：真陽（召回率）為縱座標，假陽（FP/FP+TN),ROC正常應該在y=x之上。

AUC：ROC下的面積

具體選擇PR曲線還是ROC曲線，有一條經驗法則：

PR 、 ROC 都是通過不斷變化閾值來畫出來的。
PR曲線能夠衡量在特定資料集上的表現。（右上凸更好）

ROC曲線能夠在樣本不均衡的時候更客觀的衡量模型本身的效能。（左上凸更好）