準確率（Accuracy）：這個公式計算比較簡單，就是預測正確的樣本數量除以總的樣本數量

但是很多時候，這個往往不能滿足要求，比如樣本不平衡，比如我們更加關心另一類的預測情況，這就會有問題， 比如你的樣本不均衡，以兩類問題為例：如果+1為10000，-1為50，那麼只要過擬合，即使-1全部分錯，正確率也是非常高的。如果我們更加關心-1的分類情況，這也沒法實現。所以引入了另外的指標

準確率（Accuracy）：(#（True positive) + # (True negative) ) / (#（True positive) + # (True negative) + #（False positive) + # (False negative))

召回率（Recall）：#（True positive)  / (#（True positive)  + #（False positive) )

精確率（Precision）：#（True positive)  / (#（True positive)  + #（False  negative) )

F1: （A*A+1）*Recall*Precision/（A*A*(Recall+Precision)）

A用於衡量召回率和精確率兩者之間的重要，如果等於1，表示一樣重要。

#（True positive) ：代表第一類正確分類的樣本數量。#（True negative)：代表第二類分類正確的樣本。#（False positive) ：第二類誤認為第一類的樣本。 # (False negative)：表示第一類誤認為第二類的樣本數量。