机器学习学习中评价模型好坏的标准

准确率（Accuracy）：这个公式计算比较简单，就是预测正确的样本数量除以总的样本数量

但是很多时候，这个往往不能满足要求，比如样本不平衡，比如我们更加关心另一类的预测情况，这就会有问题， 比如你的样本不均衡，以两类问题为例：如果+1为10000，-1为50，那么只要过拟合，即使-1全部分错，正确率也是非常高的。如果我们更加关心-1的分类情况，这也没法实现。所以引入了另外的指标

准确率（Accuracy）：(#（True positive) + # (True negative) ) / (#（True positive) + # (True negative) + #（False positive) + # (False negative))

召回率（Recall）：#（True positive)  / (#（True positive)  + #（False positive) )

精确率（Precision）：#（True positive)  / (#（True positive)  + #（False  negative) )

F1: （A*A+1）*Recall*Precision/（A*A*(Recall+Precision)）

A用于衡量召回率和精确率两者之间的重要，如果等于1，表示一样重要。

#（True positive) ：代表第一类正确分类的样本数量。#（True negative)：代表第二类分类正确的样本。#（False positive) ：第二类误认为第一类的样本。 # (False negative)：表示第一类误认为第二类的样本数量。