基本定义
在机器学习领域或者统计领域，用于衡量模型优劣的一种方法。首先要熟悉如下几个概念：
TP:真阳性，数据本身是阳性的，模型对该样本的评价也是阳性的，这是我们期待的。TN:真阴性，数据本身是阴性的，模型对该样本的评价也是阴性的，这也是我们期待的。FP:假阳性，数据本身是阴性的，模型对该样本的评价是阳性的，也不是我们期待的。FN:假阴性，数据本身是阳性的，模型对该样本的评价是阴性的，这不是我们期待的。
狼来了(精简版)
上面的这几个概念看起来比较绕，用一个实际的例子可以这么表达，假如有一个“狼来了”的模型，可以识别狼是否来了。那么套用上面的几个概念可以表达为
我们做出以下定义：
- “狼来了”是正类别。
- “没有狼”是负类别。
我们可以使用一个 2x2 混淆矩阵来总结我们的“狼预测”模型，该矩阵描述了所有可能出现的结果（共四种）：
真正例是指模型将正类别样本正确地预测为正类别。同样，真负例是指模型将负类别样本正确地预测为负类别。
假正例是指模型将负类别样本错误地预测为正类别，而假负例是指模型将正类别样本错误地预测为负类别。
假正例，在混淆矩阵也叫做Type Error 1，假负例，在混淆矩阵中叫做Type Error 2。
TPR：在所有实际为阳性的样本中，被正确地判断为阳性的比例。
FPR：在所有实际为阴性的样本中，被错误地判断为阳性的比例1
2TPR = TP/(TP+FN)
FPR = FP/(FP+TN)
召回率
召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。
也就是查全率，数值越大意味着覆盖的越全面。
公式为：1
R = TP/ (TP+FN)
例如在医疗系统中，尽量的覆盖更高的召回率，这样就减少漏掉病症的情况，虽然精准率收到影响，也就是说可能把没有病的当成有病的了（FP增多）。
精准率
正确预测为正占全部预测为正的比例，只能评估模型在样本数据中的准确率。
公式为：1
P = TP / (TP + FP)
拔河比赛
精准率和召回率本身是一场拔河比赛。
后续更新。