True Positive:真阳性（把阳性的判6为阳性）TP
False Negatives :假阴性（把阳性判为阴性）FN
False Positive :假阳性（把阴性的判为阳性）FP
True Negatives:真阴性（把阴性的判为阴性）TN
例子： 类型1和类型2错误有时在一些文档中，你会看到把假阳性和假阴性称为类型1和类型2错误。 这是定义： 类型1错误（第一类错误或假阳性）： 在医学诊断例子中，这是我们误诊一个健康人为病人 类型2错误（第二类错误或假阴性）：在医学诊断例子中，这是我们漏诊一个病人为健康人 准确率 Accuracy = (TP+TF)/(TP+TF+FP+FN)准确率 = （真阳性+真阴性）/(真阳性+真阴性+假阳性+假阴性) from sklearn.metrics import accuracy_score 然而 ，准确率不是永远都好用，因为当数据偏斜分布时，它可能会完全错过一些点。 精度(P) (查准率)Precision = TP/(TP+FP) 精度 = 真阳性/(真阳性+假阳性) (P:找出有多少是真正地患者) 召回率（Recall） Recall = TP/(TP+FN)召回率 = 真阳性/(真阳性+假阴性)在医疗上相当重要！ (R：与精度相反，找出有多少假阴性患者) F1得分 F1 score F1 score = 2 *(Precision∗Recall/Precision+Recall) 如果两个数相等，那么这两个数的平均值总是在x和y之间取值。 调和平均值总是小于算术平均值. 例如，如果精度为1，召回率为0，平均值就是0.5.这个调和的平均值就为0 . 另外一个例子，如果 精度为 0.2，召回率为0.8 。算术平均值就是为0.5 。这个调和的平均值就是为0.32 。 对于F1分数来说。如果两个数的指标，有一个比较小，就会取较小那个。 F -BETA 得分 （F-β） （比较方便我们调整，如我们更加关注精度，或者更加关注召回率） β调小，更偏向精度，调大更偏向召回率 。