正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
准确率（accuaracy）= (TP+TN)/ ALL 即（TP+TN+FP+FN）,是我们最熟知的。
正确率/精度（precision）,召回率（recall）,F1-score，ROC 曲线，AUC值
1.正确率（precision）= TP / (TP + FP) 真正正确的在所有判断为正确的比例。（真正正确的比例）
2.召回率（recall） = TP/(TP+FN) 在所有正确的例子中，正确例子的被判断出来的概率。（也有没被判断出来的，FN）
3.F1-值(F1-score) = 2 * TP / (2 * TP+FP+FN) 是正确率和召回率的调和均值。F1 score 给了精度和召回率相同的权重。
4.ROC 曲线，Receiver Operating Characteristic curve
ROC 曲线展示了当改变在模型中识别为正例的阈值时，召回率和精度的关系会如何变化。
TPR (recall)
FPR
真正的理想情况，TPR应接近1，FPR接近0，即图中的（0,1）点。ROC曲线越靠拢（0,1）点，越偏离45度对角线越好。
4.AUC值：AUC (Area Under Curve) 被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围一般在0.5和1之间。
AUC = 1，是完美分类器
0.5 < AUC < 1，优于随机猜测。这个分类器有预测价值。
AUC = 0.5，跟随机猜测一样。模型没有预测价值。
AUC < 0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测。
参考链接：https://blog.csdn.net/u013063099/article/details/80964865