針對二分類的結果，對模型進行評估，通常有以下幾種方法：
Precision、Recall、F-score（F1-measure）
TPR、FPR、TNR、FNR、AUC
Accuracy
| 真實結果 | |||
| 1 | 0 | ||
| 預測結果 | 1 | TP（真陽性） | FP（假陽性） |
| 0 | FN（假陰性） | TN（真陰性） | |
TP（True Positive）：預測結果為正類，實際上就是正類
FP（False Positive）：預測結果為正類，實際上是反類
FN（False negative）：預測結果為反類，實際上是正類
TN（True negative）：預測結果為反類，實際上就是反類
1. Precision, Recall, F-score（F-measure）
Precision（准確率）可以理解為預測結果為正類中有多少真實結果是正類的：
Recall（召回率）可以理解為真實結果為正類中有多少被預測成正類：
F-score（F值）又稱作F1-measure，是綜合考慮Precision和Recall的指標：
2. TPR, FPR, TNR, FNR, AUC
TPR（True Positive Rate）可以理解為所有正類中，有多少被預測成正類（正類預測正確），即召回率：
FPR（False Positive Rate）可以理解為所有反類中，有多少被預測成正類（正類預測錯誤）：
TNR（True Negative Rate）可以理解為所有反類中，有多少被預測成反類（反類預測正確）：
FNR（False Negative Rate）可以理解為所有正類中，有多少被預測成反類（反類預測錯誤）：
以FPR（False Positive Rate）為橫坐標，TPR（True Positive Rate）為縱坐標，稱作ROC曲線：
ROC曲線又稱作“受試者工作特性曲線”，很明顯，越靠近左上角的點，效果越好。
AUC（Area Under Curve）定義為ROC曲線下的面積，很明顯，這個值越大越好。
3. Accuracy
Accuracy（精確率）可以理解為所有實驗中，分類正確的個數：
