準確率
準確率的定義是預測正確的結果占總樣本的百分比，其公式如下：
準確率=(TP+TN)/(TP+TN+FP+FN)

精確率
精準率（Precision）又叫查準率，它是針對預測結果而言的，它的含義是在所有被預測為正的樣本中實際為正的樣本的概率，意思就是在預測為正樣本的結果中，我們有多少把握可以預測正確，其公式如下：
精準率=TP/(TP+FP)

召回率
召回率（Recall）又叫查全率，它是針對原樣本而言的，它的含義是在實際為正的樣本中被預測為正樣本的概率，其公式如下：
召回率=TP/(TP+FN)

F1 Score
F1 score是分類問題的一個衡量指標，一些多分類問題的機器學習競賽，常把F1 score作為最終評測的方法。它是精確率和召回率的調和平均數，取值0-1之間。
F1 score認為召回率和精確率同樣重要，而F2認為召回率的重要程度是精確率的2倍，F0.5則認為召回率的重要程度是精確率的一半。

P-R曲線
P-R曲線，就是查準率(precision)與查全率(recall)的曲線，以查準率作為縱軸，以查全率作為橫軸，其中查準率也稱為準確率，查全率稱為召回率

ROC
ROC曲線與P-R曲線很類似，我們根據學習器的預測結果對樣例進行排序，按此順序逐個把樣本作為正例進行預測，每次計算其橫縱坐標的值，就可以得到ROC曲線，但是與P-R曲線的不同是，ROC曲線橫軸使用的是“假正例率”，縱軸使用的是“真正例率”

AUC
AUC（Area under curve）是機器學習常用的二分類評測手段，直接含義是ROC曲線下的面積