分類模型評估名額

(True Positive , TP)：被模型預測為正的正樣本。

(False Positive , FP)：被模型預測為正的負樣本。

(False Negative , FN)：被模型預測為負的正樣本。

(True Negative , TN)：被模型預測為負的負樣本。

Recall召回率：真正預測為正樣本的樣本數占實際正樣本的樣本數的比率

Precision精确率：真正預測為正樣本的樣本數占所有預測為正樣本的樣本數的比例

Accuracy準确率：預測正确的樣本占所有樣本的比率

F1-core：精确率Precision和召回率Recall的權重調和平均值

Micro-F1：（多分類F1-core）計算總體類别的recall和precision，再算F1；

Macro-F1：（多分類F1-core）對所有類别的的F1-core求平均；

在二分類問題中，計算micro-F1=macro-F1=F1-score，micro-F1和macro-F1都是多分類F1-score的兩種計算方式 

micro f1= 總體（precision）=總體（recall）

macro f1=(F1a+F1b+F1c)/3（即每一類的F1求平均）