召回率（Recall） 精確率（Precision）準確率（Accuracy）ROC曲線和AUC值 是機器學習中常用的評價指標，下面用具體的事例來一一介紹每個指標的具體含義。
假設某個班級有男生80人，女生20人，共100人。目標是找出所有的女生
現在有人挑選出了50個人，其中20個是女生，另外還錯誤的把30個男生也當作女生挑選了出來。
下面根據一個圖給大家說幾個概念。
TP(True Positive)：TP值是將正例判定爲正例 這裏 TP = 20 將女生判定爲女生
FP(False Positive)：FP值是將負例判定爲正例 這裏 FP = 30 將男生判定爲女生
FN(False Negative)：FN值是將正例判定爲負例 這裏 FN=0 將女生判定爲男生
TN(True Negative)：TN值是將負判定爲負例 這裏 TN = 50 將男生判定爲男生
-準確率（Accuracy）
Accuracy=(TP+TN)/(TP+TN+FN+FP)
意思是所有預測結果的準確率 。這裏是20+50/20+30+0+50 =0.7
-召回率（Recall）
Recall = TP/ (TP+FN)
即爲實際爲女生的人中，預測爲女生的人佔比。 這裏是20/20+0 =1
即認爲預測結果很好 ，能將需要預測的女生都預測出來。
-精確率（Precision）
Precision = TP/ (TP+FP)
這裏是20/20+30
意思是在你預測的50個是女生的人中，真正女生的個數只有20個。
一般情況下，要分辨一個模型是好壞 ，需要結合召回率（Recall）和精確率（Precision）兩個值，當兩個值都高的時候，我們說這個模型很好，但實際情況都是一個高一個低。所以我們有另一個判別標準 ，F1-score 結合了Precision和Recall。
-F1得分值（F1-score）
F1-score= 2TP/(2TP + FP + FN)
當F1 -score的值越高，我們說這個模型效果越好。
-ROC曲線
接着來說ROC曲線 ，我們可以根據兩個指標形成座標軸
縱座標爲TPR（True positive rate）
橫座標爲FPR（False positive rate
TPR（True positive rate）=TP/ (TP+FN) 也就是召回率
FPR（False positive rate）=FP/(FP+TN) 即爲實際是男生，被判定爲女生的佔比，這裏FPR = 3/8
我們以FPR爲橫軸，TPR爲縱軸，得到如下ROC空間：
我們可以看出：左上角的點（TPR=1，FPR=0），爲完美分類，也就是這個模型很好，判定全對；點A（TPR>FPR），模型的判定大體是正確的。中線上的點B（TPR=FPR），也就是模型是蒙的，蒙對一半，蒙錯一半；下半平面的點C（TPR<FPR），這個模型很差，預測的大多是錯的。
而ROC曲線就是基於這樣兩個指標畫出的曲線。
如圖黑粗線就是一條ROC曲線，曲線越靠近左上角模型分類效果越好。
-AUC值
AUC值爲ROC曲線所覆蓋的區域面積，顯然，AUC越大，分類器分類效果越好。
AUC = 1，是完美分類器，採用這個預測模型時，不管設定什麼閾值都能得出完美預測。絕大多數預測的場合，不存在完美分類器。
0.5 < AUC < 1，優於隨機猜測。這個分類器（模型）妥善設定閾值的話，能有預測價值。
AUC = 0.5，跟隨機猜測一樣（例：丟銅板），模型沒有預測價值。
AUC < 0.5，比隨機猜測還差；但只要總是反預測而行，就優於隨機猜測。
總結：所有指標的具體含義結合實際例子都很好理解，但每個評價指標應用的場景都不一樣，具體場景需要個人去總結。