概念定义

按照常用的术语，将两个类分别称为正类 (positive) 和 负类 (negative)。使用数学表示： +1表示正类 ， -1 表示负类。

正类通常是少数类，即样本较少的类（例如有缺陷的零件）

负类通常是多数类，即具有更多样本的类（例如合格的零件）

单个类别内的比率

对于一个样本 x ，真实标记 y 和预测标记 f(x) 之间有四种可能的组合，如下表所示：

	预测标记 f(x) = +1	预测标记 f(x) = -1
真实标记y=+1	真阳性（true positive）	真阴性（true negative）
真实标记y=-1	伪阳性（false positive）	伪阴性（false negative）

在每种可能的情况里，第二个字指的是预测的标记。第一个字用来描述预测是否正确。

例如，伪阳性表示预测的标记是“阳性” （+1），这个预测是错误的（“伪”）；因此，真正的标记是“阴性”（-1）

TP：True Positive，分类器预测结果为正样本，实际也为正样本，即正样本被正确识别的数量。

FP：False Positive，分类器预测结果为正样本，实际为负样本，即误报的负样本数量。

TN：True Negative，分类器预测结果为负样本，实际为负样本，即负样本被正确识别的数量。

FN：False Negative，分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。

Accuracy：准确率

Accuracy表征的是预测正确的样本比例。不过通常不用这个概念，主要是因为预测正确的负样本这个没有太大意义。

样本总数： TOTAL = TP+FN+FP+TN

Accuracy = (TP+TN) / 样本总数

Precision：查准率

Precision表征的是预测正确的正样本的准确度，查准率等于预测正确的正样本数量/所有预测为正样本数量。Precision越大说明误检的越少，Precision越小说明误检的越多。

Precision= TP / (TP+FP)

参考：https://zhuanlan.zhihu.com/p/386064764

https://zhuanlan.zhihu.com/p/498846393