1. 四個概念定義：TP、FP、TN、FN
先看四個概念定義：
- TP，True Positive
- FP，False Positive
- TN，True Negative
- FN，False Negative
如何理解記憶這四個概念定義呢？
舉個簡單的二元分類問題 例子：
假設，我們要對某一封郵件做出一個判定，判定這封郵件是垃圾郵件、還是這封郵件不是垃圾郵件？
如果判定是垃圾郵件，那就是做出（Positive）的判定；
如果判定不是垃圾郵件，那就做出（Negative）的判定。
True Positive（TP）意思表示做出Positive的判定，而且判定是正確的。因此，TP的數值表示正確的Positive判定的個數。
同理，False Positive（TP）數值表示錯誤的Positive判定的個數。
依此，True Negative（TN）數值表示正確的Negative判定個數。
False Negative（FN）數值表示錯誤的Negative判定個數。
2. Precision、Recall、Accuracy、F1 Score（F Score）
四個概念定義：
precision = TP / (TP + FP) recall = TP / (TP + FN) accuracy = (TP + TN) / (TP + FP + TN + FN) F1 Score = 2*P*R/(P+R)，其中P和R分別為 precision 和 recall如果某個二元分類問題，訓練擬合得到了幾個模型假設，那么通常我們選擇在驗證集上，F1 Score 數值最大的那個模型假設。
