我们以一个二分类问题来解释上面这些概念：
一共有100条邮件，每条可能是垃圾邮件（1）或不是（0）
有一个二分类器，分别处理这些邮件，并给出是否是垃圾邮件的预测结果
我们正确地找到垃圾邮件作为Positive，这100条样本会存在以下四种情况
| 分类 | 标记 | 标记简写 |
|---|---|---|
| 垃圾邮件，且分类器预测为垃圾邮件 | True Positive | TP |
| 垃圾邮件，且分类器预测为非垃圾邮件 | False Negative | FN |
| 非垃圾邮件，且分类器预测为垃圾邮件 | False Positive | FP |
| 非垃圾邮件，且分类器预测为非垃圾邮件 | True Negative | TN |
准确率（Accuracy）
描述的是所有样本中识别正确的比例
精确率（Precision）
描述在预测为垃圾邮件的样本中，有多少是预测正确的
召回率（Recall）
描述在所有的垃圾邮件中，有多少被预测识别到了
F1
根据Precision和Recall的定义，可以看出两者是相互制约的：可以通过降低Recall来很容易的提升Precision，所以需要两者的调和均值来定义一个综合的指标。
ROC
一般来说，分类器可以通过控制阈值来达到不同的分类效果，为了评估分类器本身的效果，可以将不同阈值下指标画在一张图上。ROC就是一种这样的指标。
True Positive Rate (TPR)，代表能将正例分对的概率；False Positive Rate (FPR) 代表将负例错分为正例的概率。
在ROC 空间中，每个点的横坐标是FPR，纵坐标是TPR，这也就描绘了分类器在TP（真正的正例）和FP（错误的正例）间的trade-off。