1）正確率（accuracy）

　　正確率是我們最常見的評價指標，accuracy = （TP+TN）/(P+N)，這個很容易理解，就是被分對的樣本數除以所有的樣本數，通常來說，正確率越高，分類器越好；

　　2）錯誤率（error rate)

　　錯誤率則與正確率相反，描述被分類器錯分的比例，error rate = (FP+FN)/(P+N)，對某一個例項來說，分對與分錯是互斥事件，所以accuracy =1 -  error rate；

　　3）靈敏度（sensitivity）

　　sensitive = TP/P，表示的是所有正例中被分對的比例，衡量了分類器對正例的識別能力；

　　4）特異度（specificity)

　　specificity = TN/N，表示的是所有負例中被分對的比例，衡量了分類器對負例的識別能力；

　　5）精度（precision）-查準率

　　精度是精確性的度量，表示被分為正例的示例中實際為正例的比例，precision=TP/（TP+FP）；

　　6）召回率（recall）-查全率

　　召回率是覆蓋面的度量，度量有多個正例被分為正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率與靈敏度是一樣的。

　　7）其他評價指標

• 計算速度：分類器訓練和預測需要的時間；
• 魯棒性：處理缺失值和異常值的能力；
• 可擴充套件性：處理大資料集的能力；
• 可解釋性：分類器的預測標準的可理解性，像決策樹產生的規則就是很容易理解的，而神經網路的一堆引數就不好理解，我們只好把它看成一個黑盒子。