先理解一下正類（Positive）和負類（Negetive），比如現在要預測用戶是否點擊了某個廣告鏈接，點擊了才是我們要的結果，這時，點擊了則表示為正類，沒點擊則表示為負類。
TP(True Positive)：被預測成了正類的正類，即正確預測的正類
FP(False Positive)：被預測成了正類的負類
TN(True Negetive)：被預測成了負類的負類，即正確預測的負類
FN(False Negetive)：被預測成了負類的正類
一、准確率（Accuracy）
准確率跟正類負類沒多大關系，表示在預測結果中，正確預測的數量 / 樣本總數。
二、精確率（Precision）
在預測結果中，正確預測的正類數 / 預測為正類的數量 : TP / (TP+FP）
三、召回率（Recall）
在預測結果中，正確預測的正類數 / 原本即為正類的數量 : TP / (TP+FN）
四、F-Measure
用precision和recall兩個指標不直觀，索性把他們合並為一個變量——F-measure：Recall * Precision * 2 / (Recall + Precision)（越大越好，1為理想狀態，此時precision為1，recall為1）
五、ROC
ROC曲線是以 FP Rate 為橫軸，TP Rate 為縱軸的曲線。如下圖所示
圖片來源：https://www.cnblogs.com/haoguoeveryone/p/haoguo_5.html
六、AUC
AUC 即 ROC 曲線對應的面積，面積越大越好。
七、疑問
ROC曲線理想情況下，應該是TP Rate越接近1，FP Rate越接近0更好才對。但對應於AUC，應該是曲線越靠近左上方AUC越大，曲線越靠近右下方AUC越小。這樣就顯得有點矛盾了，有點搞不清楚，是不是曲線呈現下降趨勢才是正確的？希望有大神看到了幫我一下，謝謝！感激不盡！