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

False Negative(假負，FN)：將正類預測為負類數→漏報

1、 準確率（Accuracy）
定義：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。
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。
$Acc=(TP+TN)/(TP+TN+FN+FP)$

2、召回率（Recall）
定義：返回的結果中的正例佔總的正例的比例，總的正例包括返回的正確的正例以及未返回的正例（即錯誤分為負例中的正例）

• 反映了被正確判定的正例佔總的正例的比重。
• 所以為了提高召回率，可以多預測。
  $R=TP/(TP+FN)$
  eg：有128個樣本，其中32個正，96個負。
  我可以說，我預測有128個正樣本。所以recall= 32/32 = 100%

3、精度（Precision）
定義：被分為正例中實際為正例的比例，反映了被分類器判定的正例中真正的正例樣本的比重。

• 為了提高查準率（精度），可以少預測。
  $P=TP/(TP+FP)$
  
  eg：還是上面的例子，上面的precision = 32/128 = 25%
  我為了提高precision，我可以只預測一個樣本。這樣就有1/4的概率能預測到。假設恰好預測到了正樣本，此時precision = 1/1 = 100%