在完成机器学习中的二分类问题的建模阶段后，需要对模型的效果做评价，如今业内通常采用的评价指标有精确率(Precision)、准确率(Accuracy)、召回率(Recall)、F值(F-Measure)等多个方面，为了准确理解以避免混淆，本文将对这些指标做简要介绍。
1 混淆矩阵
其实，上面提及的诸多评测指标都是在混淆矩阵上衍生出来的，因此先简要介绍混淆矩阵。
针对二分类问题，通常将我们所关心的类别定为正类，另一类称为负类；例如使用某种分类器预测某种疾病，我们关心的是“患病”这种情况，以便及早接受治疗，所以将“患病”设为正类，“不患病”设为负类。
混淆矩阵由如下数据构成：
True Positive (真正，TP)：将正类预测为正类的数目
True Negative (真负，TN)：将负类预测为负类的数目
False Positive(假正，FP)：将负类预测为正类的数目（误报）
False Negative(假负，FN)：将正类预测为负类的数目（漏报）
接下来介绍的几种评价指标都是由上述四个数据相互运算产生。
2 准确率（accuracy）
计算公式为：acc = (TP+TN)/(TP+TN+FP+FN)
准确率是最常见的评价指标，很容易理解，就是预测正确的样本数占所有的样本数的比例；通常来说，准确率越高分类器越好。然而，在正负样本极不平衡的情况下，准确率这个评价指标有很大的缺陷。
3 错误率（error rate）
计算公式为：err = 1-acc
错误率则与准确率相反，衡量分类器错误分类的比例情况。
4 灵敏度（sensitive）
计算公式为: sensitive = TP/(TP+FN)
灵敏度表示的是样本中所有正例中被识别的比例，衡量了分类器对正例的识别能力。
5 特效度（specificity）
计算公式为：specificity = TN/(TN+FP)
特效度表示的是样本中所有负例中被识别的比例，衡量了分类器对负例的识别能力。
6 精确率（precision）
计算公式为：P = TP/(TP+FP)
精确率与准确率要有所区别，精确率表示的是被分类器分为正例的样本中，确实为正例的样本占的比例。
7 召回率（recall）
计算公式为：R = TP/(TP+FN) = sensitive
从公式上可以看出，召回率与灵敏度是相同的，衡量的是分类器对正例的识别能力。这个指标结合疾病识别的例子就很好理解了，若将“患病”定为正类，则召回率描述的是所有真正的患者中，被分类器识别出来从而召唤到医院的患者占的比例。
8 综合评价指标（F-Measure）
P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑，常见的方法就是F-Measure（又称F-Score）。
F-Measure是Precision和Recall加权调和平均：
当参数α=1时，就是常见的F1值：
F1综合了P和R的结果，当F1较高时则说明分类器确实比较有效。
小结：本文介绍的几种指标都是最为常用的衡量标准，针对分类问题还有其它评测指标，如计算速度、鲁棒性、可扩展性、可解释性、ROC曲线和PR曲线等；至于多分类问题，可以仿照二分类的情况类比得到与上述指标相似的指标计算公式。