一組樣本，個數為M，正例有P個，負例有N個，

判斷為正例的正例有TP個，判斷為負例的正例有FN個(假的負例）P=TP+FN

判斷為負例的負例為TN個，判斷為正例的負例有FP個（假的正例）N=TN+FP

精確度（Precision）P=所有判斷為正例的例子中，真正為正例的所佔的比例=TP/(TP+FP)

準確率（Accuracy）A=判斷正確的例子的比例=（TP+TN）/（P+N）

召回率（Recall）R=所有正例中，被判斷為正例的比例=TP/P

漏警概率=1-R，正例判斷錯誤的概率，漏掉的正例所佔比率

虛警概率=1-P，錯誤判斷為正例的概率，虛假正例所佔的比率

假設原始樣本中有兩類，其中： 

1：總共有 P個類別為1的樣本，假設類別1為正例。 
2：總共有N個類別為0 的樣本，假設類別0為負例。 
經過分類後：

3：有 TP個類別為1 的樣本被系統正確判定為類別1，FN 個類別為1的樣本被系統誤判定為類別 0，顯然有P=TP+FN； 
4：有 FP 個類別為0 的樣本被系統誤判斷定為類別1，TN 個類別為0 的樣本被系統正確判為類別0，顯然有N=FP+TN； 
 
那麼：
精確度（Precision）：
P = TP/(TP+FP) ; 反映了被分類器判定的正例中真正的正例樣本的比重（ 
 
準確率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP +TN);   反映了分類器統對整個樣本的判定能力——能將正的判定為正，負的判定為負 
 
召回率(Recall)，也稱為 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T; 反映了被正確判定的正例佔總的正例的比重 
 
轉移性（Specificity，不知道這個翻譯對不對，這個指標用的也不多），也稱為 TrueNegativeRate 
S = TN/(TN + FP) = 1 – FP/N；  明顯的這個和召回率是對應的指標，只是用它在衡量類別0 的判定能力。 
 
F-measure or balanced F-score
F = 2 *  召回率 *  準確率/(召回率+準確率)；這就是傳統上通常說的F1 measure，另外還有一些別的Fmeasure，可以參考下面的連結 
 
上面這些介紹可以參考： 

http://en.wikipedia.org/wiki/Precision_and_recall
同時，也可以看看：http://en.wikipedia.org/wiki/Accuracy_and_precision
 
為什麼會有這麼多指標呢？
       這是因為模式分類和機器學習的需要。判斷一個分類器對所用樣本的分類能力或者在不同的應用場合時，需要有不同的指標。 當總共有個100個樣本（P+N=100）時，假如只有一個正例（P=1），那麼只考慮精確度的話，不需要進行任何模型的訓練，直接將所有測試樣本判為正例，那麼A 能達到99%，非常高了，但這並沒有反映出模型真正的能力。另外在統計訊號分析中，對不同類的判斷結果的錯誤的懲罰是不一樣的。舉例而言，雷達收到100個來襲導彈的訊號，其中只有3個是真正的導彈訊號，其餘 97 個是敵方模擬的導彈訊號。假如系統判斷 98 個（97個模擬訊號加一個真正的導彈訊號）訊號都是模擬訊號，那麼Accuracy=98%，很高了，剩下兩個是導彈訊號，被截掉，這時Recall=2/3=66.67%，Precision=2/2=100%，Precision也很高。但剩下的那顆導彈就會造成災害。 
 
因此在統計訊號分析中，有另外兩個指標來衡量分類器錯誤判斷的後果：
漏警概率（MissingAlarm）
MA = FN/(TP + FN) = 1 – TP/T = 1 - R； 反映有多少個正例被漏判了（我們這裡就是真正的導彈訊號被判斷為模擬訊號，可見MA此時為33.33%，太高了） 

 
虛警概率（False Alarm） 
FA = FP / (TP + FP) = 1 –P；反映被判為正例樣本中，有多少個是負例。 

      統計訊號分析中，希望上述的兩個錯誤概率儘量小。而對分類器的總的懲罰舊是上面兩種錯誤分別加上懲罰因子的和：COST = Cma *MA+ Cfa * FA。不同的場合、需要下，對不同的錯誤的懲罰也不一樣的。像這裡，我們自然希望對漏警的懲罰大，因此它的懲罰因子 Cma要大些。