针对二元分类问题，在完成机器学习建模后，需要对模型的效果做评价。
直观上，我们先来统计一下有没有把正样本预测为负，或者把负样本预测为正。
我们定义：
True Positive(真正，TP)：将正类预测为正类数
True Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)
这样我们通过统计TP、TN、FP、FN的样本个数，就可以得到一系列指标数据。
拿预测恶性肿瘤来举例，我们希望知道使用现有的机器学习模型，针对100个患者：
有几个恶性肿瘤患者我们告诉他是良性？
FN个（漏报）
有几个良性肿瘤患者我们告诉他是恶性？
FP个（误报）
我们预测正确了几个恶性肿瘤患者？
TP
实际上一共多少个恶性肿瘤患者？
TP+FN个（恶性预测正确+漏报）
实际上全部恶性肿瘤患者中，我们预测正确占比？（精确率 precision）
TP /（TP + FN）
我们预测了几个恶性肿瘤患者？
TP+FP个
在我们预测的恶性肿瘤患者中，我们预测正确占比？(召回率 recall）
TP /（TP + FP）
在所有患者之中，不管良性还是恶性，我们预测正确占比？（准确率 accuracy）
（TP + TN） / ( TP + TN + FP + FN）
在所有患者之中，不管良性还是恶性，我们预测错误占比？（错误率 Error rate）
（FP + FN） / ( TP + TN + FP + FN） = 1 - accuracy
关于精准率和召回率：
Precision从预测结果角度出发，描述了二分类器预测出来的正例结果中有多少是真实正例，即该二分类器预测的正例有多少是准确的；Recall从真实结果角度出发，描述了测试集中的真实正例有多少被二分类器挑选了出来，即真实的正例有多少被该二分类器召回。
Precision和Recall通常是一对矛盾的性能度量指标。一般来说，Precision越高时，Recall往往越低。原因是，如果我们希望提高Precision，即二分类器预测的正例尽可能是真实正例，那么就要提高二分类器预测正例的门槛，例如，之前预测正例只要是概率大于等于0.5的样例我们就标注为正例，那么现在要提高到概率大于等于0.7我们才标注为正例，这样才能保证二分类器挑选出来的正例更有可能是真实正例；而这个目标恰恰与提高Recall相反，如果我们希望提高Recall，即二分类器尽可能地将真实正例挑选出来，那么势必要降低二分类器预测正例的门槛，例如之前预测正例只要概率大于等于0.5的样例我们就标注为真实正例，那么现在要降低到大于等于0.3我们就将其标注为正例，这样才能保证二分类器挑选出尽可能多的真实正例。
那么有没有一种指标表征了二分类器在Precision和Recall两方面的综合性能呢？答案是肯定的。如前面所说，按照二分类器预测正例的门槛的不同，我们可以得到多组precision和recall。在很多情况下，我们可以对二分类器的预测结果进行排序，排在前面的是二分类器认为的最可能是正例的样本，排在最后的是二分类器认为的最不可能是正例的样本。按此顺序逐个逐步降低二分类器预测正例的门槛，则每次可以计算得到当前的Precision和Recall。以Recall作为横轴，Precision作为纵轴可以得到Precision-Recall曲线图，简称为P-R图：
P-R图可直观地显示出二分类器的Precision和Recall，在进行比较时，若一个二分类器的P-R曲线被另一个二分类器的P-R曲线完全包住，则可断言后者的性能优于前者，例如上图二分类器A的性能优于C；不看图形的话如何使用数值来表示精准率和召回率的综合指标呢，引入F-Measure，又称为F-Score。
F-Measure是Precision和Recall加权调和平均：
当参数α=1时，就是最常见的F1，也即
