分类的常用指标有：
accuracy：准确率
recall：召回率
precison：精确率
f1score：f1分数，是recall和precison的调和均值。
准确率什么情况下失效？
在正负样本不均衡的情况下，accuracy这个指标有很大的缺陷。
如：正样本990个，负样本10个。
这样好像也没有什么用处哦？
原因是关注正样本还是负样本。
默认是关注正样本，而此时的正样本太多，就算混入几个副样本也无伤大雅。
但大部分情况下是那10个才叫“正样本”,比如异常检测里，990个正常，10个异常，我们可能会更关注那10个异常。这10个异常叫做正样本。
此时就有 10 个正样本，990个负样本。
此时的准确率是多少呢？
几个指标的通俗说明
recall:召回率，也叫查全率。其实就是
在上面的例子中，原本正样本990个负样本10个。预测结果为：1000个正样本。
怎么计算召回率呢?
召回率 = 预测对的所有正例 / 原本的所有正例
- 1000个正例中，预测对的正例是多少呢？990个啊。
- 原本的所有正例呢？ 990个啊。 那么：
当然查的越全越好，查的越准也越好。但一般情况下，这两个值是“此消彼长”的关系。所以就要有Fscore了，Fscore是R、P的调和均值，也是越大越好。一般用F1_score
