分類的常用指標有：
accuracy：准確率
recall：召回率
precison：精確率
f1score：f1分數，是recall和precison的調和均值。
准確率什么情況下失效？
在正負樣本不均衡的情況下，accuracy這個指標有很大的缺陷。
如：正樣本990個，負樣本10個。
這樣好像也沒有什么用處哦？
原因是關注正樣本還是負樣本。
默認是關注正樣本，而此時的正樣本太多，就算混入幾個副樣本也無傷大雅。
但大部分情況下是那10個才叫“正樣本”,比如異常檢測里，990個正常，10個異常，我們可能會更關注那10個異常。這10個異常叫做正樣本。
此時就有 10 個正樣本，990個負樣本。
此時的准確率是多少呢？
幾個指標的通俗說明
recall:召回率，也叫查全率。其實就是
在上面的例子中，原本正樣本990個負樣本10個。預測結果為：1000個正樣本。
怎么計算召回率呢?
召回率 = 預測對的所有正例 / 原本的所有正例
- 1000個正例中，預測對的正例是多少呢？990個啊。
- 原本的所有正例呢？ 990個啊。 那么：
當然查的越全越好，查的越准也越好。但一般情況下，這兩個值是“此消彼長”的關系。所以就要有Fscore了，Fscore是R、P的調和均值，也是越大越好。一般用F1_score
