實際上非常簡單，精確率是針對我們預測結果而言的，它表示的是預測為正的樣本中有多少是對的。那麼預測為正就有兩種可能了，一種就是把正類預測為正類(TP)，另一種就是把負類預測為正類(FP)。

                      P = TP/(TP+FP)

而召回率是針對我們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了。那也有兩種可能，一種是把原來的正類預測成正類(TP)，另一種就是把原來的正類預測為負類(FN)。

                      R = TP/(TP+FN)             T

在資訊檢索領域，精確率和召回率又被稱為查準率和查全率

ROC 曲線

我們先來看下維基百科的定義，

比如在邏輯迴歸裡面，我們會設一個閾值，大於這個值的為正類，小於這個值為負類。如果我們減小這個閥值，那麼更多的樣本會被識別為正類。這會提高正類的識別率，但同時也會使得更多的負類被錯誤識別為正類。為了形象化這一變化，在此引入 ROC ，ROC 曲線可以用於評價一個分類器好壞。

ROC 關注兩個指標，

直觀上，TPR 代表能將正例分對的概率，FPR 代表將負例錯分為正例的概率。在 ROC 空間中，每個點的橫座標是 FPR，縱座標是 TPR，這也就描繪了分類器在 TP（真正率）和 FP（假正率）間的 trade-off2。

AUC

AUC（Area Under Curve）被定義為ROC曲線下的面積，顯然這個面積的數值不會大於1。

翻譯過來就是，隨機挑選一個正樣本以及一個負樣本，分類器判定正樣本的值高於負樣本的概率就是 AUC 值。

簡單說：AUC值越大的分類器，正確率越高3。

• ，完美分類器，採用這個預測模型時，不管設定什麼閾值都能得出完美預測。絕大多數預測的場合，不存在完美分類器。
• ，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
• ，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。
• ，比隨機猜測還差；但只要總是反預測而行，就優於隨機猜測，因此不存在  的情況。

迴歸4

平均絕對誤差

平均絕對誤差MAE（Mean Absolute Error）又被稱為  範數損失（l1-norm loss）：

平均平方誤差

平均平方誤差 MSE（Mean Squared Error）又被稱為  範數損失（l2-norm loss）：