1、兩個最常見的衡量指標是“準確率（precision）”（你給出的結果有多少是正確的）和“召回率（recall）”（正確的結果有多少被你給出了）

這兩個通常是此消彼長的（trade off），很難兼得。很多時候用引數來控制，通過修改引數則能得出一個準確率和召回率的曲線（ROC），這條曲線與x和y軸圍成的面積就是AUC（ROC  Area）。AUC可以綜合衡量一個預測模型的好壞，這一個指標綜合了precision和recall兩個指標。

2、混淆矩陣

True Positive(真正，TP)：將正類預測為正類數

True Negative(真負，TN)：將負類預測為負類數

False Positive(假正，FP)：將負類預測為正類數誤報 (Type I error)

False Negative(假負，FN)：將正類預測為負類數→漏報 (Type II error)

3、

準確率（Accuracy）

準確率(accuracy)計算公式為：

準確率是我們最常見的評價指標，而且很容易理解，就是被分對的樣本數除以所有的樣本數，通常來說，正確率越高，分類器越好。  準確率確實是一個很好很直觀的評價指標，但是有時候準確率高並不能代表一個演算法就好。比如某個地區某天地震的預測，假設我們有一堆的特徵作為地震分類的屬性，類別只有兩個：0：不發生地震、1：發生地震。一個不加思考的分類器，對每一個測試用例都將類別劃分為0，那那麼它就可能達到99%的準確率，但真的地震來臨時，這個分類器毫無察覺，這個分類帶來的損失是巨大的。為什麼99%的準確率的分類器卻不是我們想要的，因為這裡資料分佈不均衡，類別1的資料太少，完全錯分類別1依然可以達到很高的準確率卻忽視了我們關注的東西。再舉個例子說明下。在正負樣本不平衡的情況下，準確率這個評價指標有很大的缺陷。比如在網際網路廣告裡面，點選的數量是很少的，一般只有千分之幾，如果用acc，即使全部預測成負類（不點選）acc也有 99% 以上，沒有意義。因此，單純靠準確率來評價一個演算法模型是遠遠不夠科學全面的。

4、召回率是覆蓋面的度量，度量有多個正例被分為正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率與靈敏度是一樣的。衡量了分類器對正例的識別能力