通常以关注的类为正类，其他类为负类，分类器在数据集上的预测或者正确或者不正确，我们有 $4$ 种情况：
1）TP：True Positive， 把正类预测为正类；
2）FP：False Positive，把负类预测为正类；
3）TN：True Negative， 把负类预测为负类；
4）FN：False Negative，把正类预测为负类
准确率：对于给定的数据，分类正确的样本数占总样本数的比例，即
$$accuracy = frac{TP + TN}{TP + FP + TN + FN}$$
精确率：指在预测为正类的样本中真正类所占的比例，即
$$precision = frac{TP}{TP + FP}$$
召回率：指在所有的正类中被预测为正类的比例，即
$$recall = frac{TP}{TP + FN}$$
一般来说，$precision$ 就是检索为正类的条目中有多少是准确的，$Recall$ 就是所有准确的正类条目有多少被检索出来了。
$F_{1}-Score$: 精确率和召回率的调和平均，因为 $precision$ 和 $recall$ 是一对相互矛盾的量，当 $P$ 高时，$R$ 往往相对较低，当 $R$ 高时，
$P$ 往往相对较低，所以为了更好的评价分类器的性能，一般使用 $F_{1}-Score$ 作为评价标准来衡量分类器的综合性能。
$$frac{1}{F_{1}} = frac{1}{P} + frac{1}{R} \
Rightarrow F_{1} = frac{2 cdot P cdot R}{P + R}$$