对于一个二分类问题：
真正例（TP）：实际上是正例的数据点被标记为正例
假正例（FP）：实际上是反例的数据点被标记为正例
真反例（TN）：实际上是反例的数据点被标记为反例
假反例（FN）：实际上是正例的数据点被标记为反例
精确率（Precision）：分类模型仅仅返回相关实例的能力，Precision = TP/(TP+FP)
召回率（Recall）：分类模型识别所有相关实例的能力，Recall = TP/(TP+FN)
TPR: TP/(TP+FN)
FNR: FN/(TP+FN)
TNR: TN/(TN+FP)
FPR: FP/(TN+FP)
F1 score：召回率和精确率的调和平均，F1：2*（1/（1/（Recall）+1/（Precision））），调和平均的特性是综合了召回率和精确率，并且会惩罚极端情况，这也是不选择算术平均的原因。
ROC 曲线：以假正例率（FPR）为横坐标和真正例率（TPR）为纵坐标，并将这两个指标作为模型归类正例阈值的函数，画出曲线图。
AUC：基于 ROC 曲线下方的面积，计算分类模型总体性能的指标。面积越大，模型总体性能越好。
参考文献：
https://www.jianshu.com/p/f154237924c4
https://www.jianshu.com/p/1afbda3a04ab
原文：https://www.cnblogs.com/galios/p/12484584.html