偏斜類

正類和負類的比例失衡，比如存在99%的正類和1%的負類，當演算法的輸出恆為1時，此時的錯誤率也只有1%，在這種情況下，並不能夠很好地估計模型的泛化能力。

定義

1. TP（True Positive），表示模型預測為正樣本，實際上為正樣本。
2. FP（False Positive），表示模型預測為正樣本，實際上為負樣本。
3. FN（False Negative），表示模型預測為負樣本，實際上為正樣本
4. TN（True Negative），表示模型預測為負樣本，實際上為負樣本。

準確率（Accuracy）

準確率表示模型預測正確的正樣本和負樣本佔所有樣本的比例。公式為 $a$

精確率（Precision）

精確率表示模型預測正確的正樣本佔所有預測正樣本的比例。公式為 $precision=\frac{TP}{TP+FP}$

召回率（Recall）

召回率表示模型預測正確的正樣本佔所有實際正樣本的比例。公式為
$recall=\frac{TP}{TP+FN}$

$F_1$Score(F score)

定義 $F_1Socre=2\frac{PR}{P+R}$，當精確率接近0，或者召回率接近0時，都會得到一個很低的F值。當精確率為1，召回率也為1時，F值為1。因此F值可以用來為我們選擇一個較好的臨界值。

臨界值

通常我們將模型預測輸出大於等於0.5的預測為正樣本，小於0.5的預測為負樣本。假設我們的模型是在預測病人是否患癌症
如果我們想要較高的精確率，可以將閾值調高，保證我們的模型能夠較為準確地找出患癌的人，並且不會將沒患癌症的人識別為患癌，但是相對的，此時的召回率會更低。
如果我們想要較高的精確率，可以將閾值調低，保證我們能夠找出更多實際患病的人，但是此時被誤判為患癌的正常人可能更多，也就是精確率會下降。

總結

在模型預測恆為0的情況下，精確率和召回率都為0，因此能夠說明此時模型的表現並不是很好。對樣本失衡的情況，利用召回率和精確率，能夠較好地評估模型的好與壞。同時利用F值，我們可以挑選出合適的臨界值來使得模型表現更好。