机器学习中一些评价标准定义概念总结，如精确度，查准率，查全率等

TP: 预测为正，实际为正

FP: 预测为正，实际为负

TN:预测为负，实际为负

FN: 预测为负，实际为正

精确率、准确率:Accuracy=(TP+TN)/(TP+TN+FN+FP)

精准率、查准率: P = TP/ (TP+FP)

召回率、查全率: R = TP/ (TP+FN)

真正例率(同召回率、查全率):TPR = TP/ (TP+FN)

假正例率:FPR =FP/ (FP+TN)

F1-score: 2*TP/(2*TP + FP + FN)

TP -- True Positive (真正, TP)被模型预测为正的正样本;可以称作判断为真的正确率

TN -- True Negative(真负 , TN)被模型预测为负的负样本 ;可以称作判断为假的正确率

FP --False Positive (假正, FP)被模型预测为正的负样本;可以称作误报率

FN--False Negative(假负 , FN)被模型预测为负的正样本;可以称作漏报率

True Positive Rate(真正率 , TPR)或灵敏度(sensitivity)

TPR = TP /(TP + FN)

被预测为正的正样本结果数 / 正样本实际数

True Negative Rate(真负率 , TNR)或特指度(specificity)

TNR = TN /(TN + FP)

被预测为负的负样本结果数 / 负样本实际数

False Positive Rate (假正率, FPR)

FPR = FP /(TN + FP)

被预测为正的负样本结果数 /负样本实际数

False Negative Rate(假负率 , FNR)

FNR = FN /(TP + FN)

被预测为负的正样本结果数 / 正样本实际数