1. TP（True Postive）、TN（True Negative）、FP（False Negative）、 FN（False Negative）
舉個醫生看病的例子：
假設患病為陽性（Positive），健康為陰性（Negative）
當醫生正确地将患病病人确診為有病，那麼就是TP；當醫生正确地将康複病人确診為沒病，那麼就是TN；
當醫生錯誤地将健康病人确診為有病，那麼就是FP；當醫生錯誤地将患病病人确診為沒病，那麼就是FN；
2. 準确率（Precision）的公式
Precision =TP/(TP+FP)
可以了解為醫生預測對的陽性（患病）數占醫生預測陽性（患病）總量的比率。
但是該名額有局限性，因為沒有用到真正的陽性總數，是以就有了召回率。
3. 召回率（Recall）的公式
Recall = TP/(TP+FN)
可以了解為醫生預測對的陽性（患病）數占真正的陽性（患病）數的比率。
但是該名額同樣也存在局限性，尤其當陰陽樣本失衡——陽性樣本數接近于總樣本數時，是以就有了 F 值。
4. F 值的公式
F=2rp/(p+r)
p 即 Precision, r 即 Recall，是以 F 值又被稱為準确率和召回率的調和值。
單一的準确率高和召回率高并不能說明問題，是以才有了F值的衡量名額。
5. ROC 空間的含義
ROC空間将僞陽性率（FPR）定義為 X 軸，真陽性率（TPR）定義為 Y 軸。這兩個值由上面四個值計算得到,公式如下:
TPR：在所有實際為陽性的樣本中，被正确地判斷為陽性之比率。
TPR=TP/(TP+FN) 【與召回率公式相同】
FPR：在所有實際為陰性的樣本中，被錯誤地判斷為陽性之比率。
FPR=FP/(FP+TN)
放在醫生看病的例子上來了解上述兩個名額：
那麼盡量把有病的揪出來是主要任務,也就是第一個名額TPR,要越高越好；
而把沒病的樣本誤診為有病的,也就是第二個名額FPR,要越低越好；
反映在圖上就是在相同的 FPR 的條件下，TPR越高越好，ROC 曲線下方覆寫的面積越大越好。
