对于二分类问题，可将样例根据其真实类别与学习器预测类别的组合划分为真正例（TP），假反例（FN），假正例（FP），真反例（TN），具体分类结果如下 ：
TP：预测为正样本，实际也为正样本的特征数
FP：预测为正样本，实际为负样本的特征数
TN：预测为负样本，实际也为负样本的特征数
FN：预测为负样本，实际为正样本的特征
P值（precision）就是查准率或者叫准确率，R值（recall）是召回率或者叫查全率。
查准率P和召回率R分别定义为：
P=TP/(TP+FP)
R=TP/(TP+FN)
查准率关心的是”预测出正例的正确率”即从正反例子中挑选出正例的问题。
查全率关心的是”预测出正例的保证性”即从正例中挑选出正例的问题。
这两个指标应用的场景是不一样的。排序算法或者推荐算法，会更关注准确率；如果预期模型与空预期模型是怕被别人欺骗，会更关注召回率。这时会看一下PR曲线：
若一个学习器的P-R曲线被另一个学习器完全”包住”，则后者的性能优于前者。当存在交叉时，可以计算曲线围住面积，但比较麻烦，平衡点（查准率=查全率，BEP）是一种度量方式。
如果BEP看起来不是很方便的话，可以用F1和Fβ度量来看，他们分别是查准率和查全率的调和平均和加权调和平均。定义如下：
这里主要是看二分类的内容，但是实际上的预测排序模型不只是看二分类，如果一个值不太适合用pr线衡量，就会用roc曲线。
Roc曲线有真正率和假正率，真正率和召回率的算法是差不多。
很多学习器是为测试样本产生一个实值或概率预测，然后将测试的分值与一个阈值比较，若大于阈值分为正类，否则为反类，因此分类过程可以看作选取一个截断点。
曲线的坐标分别为真正例率（TPR）和假正例率（FPR），公式如下：
TPR=TP/[TP+FN] ，代表能将正例分对的概率
FPR=FP/[FP+TN] ，代表将负例错分为正例的概率
下图为ROC曲线示意图，因现实任务中通常利用有限个测试样例来绘制ROC图，因此应为无法产生光滑曲线，如下图所示。
假设有a个正例子，b个反例子，分类阈值非常高，使得所有例子均预测为反例，此时TPR和FPR均为0，在（0，0）处标记一个点，再将分类阈值依次设为每个样例的预测值，即依次将每个例子划分为正例。设前一个坐标为(x,y)，若当前为真正例，对应标记点为(x,y+1/a)，若当前为假正例，则标记点为（x+1/b,y），然后依次连接各点。
从几何的角度讲，RoC曲线下方的面积越大越大，则模型越优。所以有时候我们用RoC曲线下的面积，即AUC（Area Under Curve）值来作为算法和模型好坏的标准。此外，如果一个图中两个曲线有交叉，则需要计算曲线围住的面积(AUC)来评价性能优劣。
关注：小贝保险
选保险，不焦虑！