一直以為自己了解這些概念，但是其實隻是聽說過而已。這些概念的釋義來自于周志華教授的《機器學習》，都屬于對機器學習算法的性能度量。
一、錯誤率與精度
還是使用書上的定義寫的明确，test set中所有樣本預測對和預測錯所占的比例就是這兩個名額，求和為1。但是其實這裡表述并不是很好，這裡的“精度”更好的表示是“準确度”（Accuracy），這兩個名額隻是在“對”與“錯”層面進行分析，并未涉及出錯原因。
二、查準率&查全率&PR曲線&F1
首先要介紹混淆矩陣，注意這個僅僅适用于二分類問題，碰到其他問題可以進行拓展。這個的确比較“混淆”人，符号标記很亂，中文翻譯也很拗口。首字母表示了預測的結果這件事的正确與否：是True還是False。後面字母表示了預測的結果。這四個位置的數值加起來等于樣本的總數。
接下來定義Precision和Recall，P的分母是分類器給出的正例集合；R的分母是資料集中所有的正例集合。兩個率分别反應模型查的準不準，和，查的全不全。um這個感覺也有點難記，可以這樣記召回率：因為有FN全負面資訊，是以要“召回”。
實際模型對每個樣本的預測結果都是0-1之間連續的，是以調整這個門檻值就可以獲得每個樣本變動後對應的混淆矩陣（可以視為考察門檻值對模型分辨結果的影響）。此時對應的多個P-R點可以進行繪制成為PR曲線，類似下圖這樣。曲線下部所圍成的面積越大代表模型性能越好。也可以使用平衡點來度量學習器的好壞，在平和點處P=R。
F1參數本質是對兩個率進行調和平均運算，更加關注較小值對最終結果的影響。
三、受試者工作特性 ROC
這個名字是真的拗口：Receiver Operating Characteristic，是從軍事和醫學中引申過來的。思想和P-R曲線很類似，使用門檻值對連續預測結果進行分類，以此擷取模型性能曲線。ROC曲線的縱軸和橫軸比較奇葩，需要特殊記憶。
縱軸 TPR本質上就是召回率Recall，分類器将dataset中所有正例檢測出來了多少，越高越好；橫軸FPR在考察dataset中所有負例檢測錯了多少，約小越好。是以一個優質的模型的ROC特性應當向左上方突出。AUC是Area Under ROC Curve的縮寫，是ROC曲線圍成的面積，越大越好。