判定标准

在训练好模型后做predict时，需要有一系列评价指标，以下是常用的几个：

true positives (纳真，真阳性)    

false positives（纳伪，假阳性）

false negatives（去真，假阴性）检测为negative实际为positive

true negatives  (去伪，真阴性)

Recall(召回率)：所有正确的信息或者相关的信息(wanted)被检测出来的比例；

Precision（准确率）：被检测出来的信息当中 正确的或者相关的（也就是你想要的）信息中所占的比例；

F1-Meature（综合评价指标）

在实际当中我们当然希望检索的结果P越高越好，R也越高越好；事实上这两者在某些情况下是矛盾的。比如，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低；而如果我们把所有结果都返回，那么必然R是100%，但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验，可以绘制Precision-Recall曲线来帮助分析。

参考：http://blog.csdn.net/t710smgtwoshima/article/details/8215037