- 准确率，即查准率（指标），指模型predict为真的样本中，确实为真的比率；
- 召回率，即查全率（指标），指数据集实际值为真的样本中，被预测为真的比率。
还有个例子再解释一下：
你是一名侦探，你的任务是找出所有的罪犯。
- 准确率就是指你抓到的罪犯中，真正是罪犯的比例。换句话说，你不想抓错好人。
- 召回率指在所有真正的罪犯中，你抓到了多少。这个指标关注的是不要漏掉任何一个罪犯。
- F1值****（指标）是一个综合考虑准确率和召回率的指标。它试图找到一个平衡点，因为通常准确率和召回率是相互矛盾的。
- 如果你的模型非常严格，只预测那些几乎可以确定为真的样本，那么准确率可能会很高，但可能会错过一些真正的正样本（召回率低）。
非常确定这个人是罪犯的时候，才去抓人，准确率很高，但是召回率(即想要抓到所有犯人)很低
- <font style="color:rgb(6, 6, 7);">相反，如果你的模型非常宽松，几乎所有样本都预测为正，那么召回率会很高，但准确率会下降。</font>
把所有看着像犯人的人都抓了，甚至所有人都抓了，那召回率必定很高，但是准确率很低。
- ROC****（综合考虑准确率和召回率，帮助我们选择模型）
蓝色
模型的性能总是比绿色模型更好，曲线下面积更大，所以我们会考虑蓝色模型。蓝色这个曲线代表了对召回率和准确率的权衡，往右上走说明更考虑召回率，往左下走说明更考虑准确率。
- 纵坐标其实就是**召回率(TPR)****，横坐标就是1-准确率(FPR)**
- 想象你是一名侦探，你的任务是识别一个犯罪团伙中的成员。"正样本"代表犯罪团伙的成员，"负样本"代表无辜的市民。分类模型需要在不冤枉好人（低FPR）的同时，尽可能多地识别出犯罪团伙成员（高TPR）。
- AUC（曲线下面积）：AUC面积为1意味着完美，你总能准确无误地识别出所有犯罪团伙成员而不误抓任何无辜市民。AUC为0.5意味着你的技能和随机猜测一样，没有实际用处。
