一组样本，个数为M，正例有P个，负例有N个，
判断为正例的正例有TP个，判断为负例的正例有FN个(假的负例）P=TP+FN
判断为负例的负例为TN个，判断为正例的负例有FP个（假的正例）N=TN+FP
精确度（Precision）P=所有判断为正例的例子中，真正为正例的所占的比例=TP/(TP+FP)
准确率（Accuracy）A=判断正确的例子的比例=（TP+TN）/（P+N）
召回率（Recall）R=所有正例中，被判断为正例的比例=TP/P
漏警概率=1-R，正例判断错误的概率，漏掉的正例所占比率
虚警概率=1-P，错误判断为正例的概率，虚假正例所占的比率
假设原始样本中有两类，其中：
1：总共有 P个类别为1的样本，假设类别1为正例。 2：总共有N个类别为0 的样本，假设类别0为负例。 经过分类后： 3：有 TP个类别为1 的样本被系统正确判定为类别1，FN 个类别为1的样本被系统误判定为类别 0，显然有P=TP+FN； 4：有 FP 个类别为0 的样本被系统误判断定为类别1，TN 个类别为0 的样本被系统正确判为类别0，显然有N=FP+TN； 那么： 精确度（Precision）： P = TP/(TP+FP) ; 反映了被分类器判定的正例中真正的正例样本的比重（ 准确率（Accuracy） A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP +TN); 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负 召回率(Recall)，也称为 True Positive Rate: R = TP/(TP+FN) = 1 - FN/T; 反映了被正确判定的正例占总的正例的比重 转移性（Specificity，不知道这个翻译对不对，这个指标用的也不多），也称为 TrueNegativeRate S = TN/(TN + FP) = 1 – FP/N； 明显的这个和召回率是对应的指标，只是用它在衡量类别0 的判定能力。 F-measure or balanced F-score F = 2 * 召回率 * 准确率/(召回率+准确率)；这就是传统上通常说的F1 measure，另外还有一些别的Fmeasure，可以参考下面的链接 上面这些介绍可以参考： http://en.wikipedia.org/wiki/Precision_and_recall 同时，也可以看看：http://en.wikipedia.org/wiki/Accuracy_and_precision 为什么会有这么多指标呢？ 这是因为模式分类和机器学习的需要。判断一个分类器对所用样本的分类能力或者在不同的应用场合时，需要有不同的指标。 当总共有个100个样本（P+N=100）时，假如只有一个正例（P=1），那么只考虑精确度的话，不需要进行任何模型的训练，直接将所有测试样本判为正例，那么A 能达到99%，非常高了，但这并没有反映出模型真正的能力。另外在统计信号分析中，对不同类的判断结果的错误的惩罚是不一样的。举例而言，雷达收到100个来袭导弹的信号，其中只有3个是真正的导弹信号，其余 97 个是敌方模拟的导弹信号。假如系统判断 98 个（97个模拟信号加一个真正的导弹信号）信号都是模拟信号，那么Accuracy=98%，很高了，剩下两个是导弹信号，被截掉，这时Recall=2/3=66.67%，Precision=2/2=100%，Precision也很高。但剩下的那颗导弹就会造成灾害。 因此在统计信号分析中，有另外两个指标来衡量分类器错误判断的后果： 漏警概率（MissingAlarm） MA = FN/(TP + FN) = 1 – TP/T = 1 - R； 反映有多少个正例被漏判了（我们这里就是真正的导弹信号被判断为模拟信号，可见MA此时为33.33%，太高了）
虚警概率（False Alarm） FA = FP / (TP + FP) = 1 –P；反映被判为正例样本中，有多少个是负例。
统计信号分析中，希望上述的两个错误概率尽量小。而对分类器的总的惩罚旧是上面两种错误分别加上惩罚因子的和：COST = Cma *MA+ Cfa * FA。不同的场合、需要下，对不同的错误的惩罚也不一样的。像这里，我们自然希望对漏警的惩罚大，因此它的惩罚因子 Cma要大些。
