二分类性能指标(最经常使用)
首先一说到二分类性能指标，一般都会祭出混淆矩阵，我们这里给出混淆矩阵：
(TP ,T表示true,p = 1 FN ,F表示预测错误，N表示预测的结果 1 = P,0= N
第一位表示预测结果正确or 错误，第二位表示预测的是1 or 0)
TP = 预测1，实际1(P)
TN = 预测0，实际0(N)
FN = 预测0，实际1(P)
FP = 预测1，实际0(N)
实际是1的总共是：TP + FN
实际是0的总共是：TN + FP
准确率(Accuracy) = （预测对是1的 + 预测对是0的）/总数（实际是1的 + 实际是0的）
准确率(Accuracy) = （TP + TN）/(TP + FN + TN +FP)
意义是预测正确的sample占所有sample的比例，表示了一个分类器的区分能力，注意，这里的区分能力没有偏向于是正例还是负例，这也是Accuracy作为性能指标最大的问题所在
精确率(Precision): TP/(TP + FP)
精确率代表的是：在所有被分类为正例的样本中，真正是正例的比例
这个指标常常被应用于推荐系统中，对某一个商品，以用户喜欢为1，不喜欢为0，使用查准率进行性能衡量。
召回率(Recall):TP/(TP + FN)
召回率的定义是，在所有实际为正例的样本中，被预测为正例的样本比例，简单说就是“总共这么多1，你预测出了多少？”
特异性(Specificity):TN/(TN+FP)
特异性的语义为：实际为负的样本中，有多大概率被预测出来，这个定义和召回率非常像，二者区别只是对象不同，召回率是针对正例，而特异性针对的是负例。可以简单把特异性理解成“负例查全率”。
假正例率 FPR = FP/(FP + TN)
也就是误诊率，实际是假的被判定为真的概率
