预测-真实值定义

真假阳性定义：

1. 真阳性True Positive，$TP$：样本的真实类别是正例，并且模型预测的结果也是正例
2. 真阴性True Negative，$TN$：样本的真实类别是负例，并且模型将其预测成为负例
3. 假阳性False Positive，$FP$：样本的真实类别是负例，但是模型将其预测成为正例
4. 假阴性False Negative，$FN$：样本的真实类别是正例，但是模型将其预测成为负例

计算

1. 准确度： $$ Accuracy = \frac {TP+TN} {TP+TN+FN+TN} $$
2. 正确率: $$ Precision = \frac {TP} {TP + FP)} $$
3. 真阳性率(True Positive Rate，TPR)，灵敏度(Sensitivity)，召回率: $$ Recall = \frac {TP} {TP + FN} $$
4. 真阴性率(True Negative Rate，TNR)，特异度: $$ Specificity = \frac {TN} {TN + FP} $$
5. 假阴性率(False Negatice Rate，FNR)，漏诊率( = 1 - 灵敏度) : $$ \frac {FN} {TP + FN} = 1 - TPR $$
6. 假阳性率(False Positice Rate，FPR)，误诊率( = 1 - 特异度) ： $$ \frac {FP} {FP + TN} = 1 - TNR $$
7. F1分数： $$ F1_{score} = \frac {2 * TP} { 2 * TP + FP + FN} $$