机器学习中的Presicison&Recall&Accuracy, FP&TP&FN&TN

精准度（precision）：
P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重

召回率(Recall)：
R=TP/(TP+FN) = 1- FN/T 指的是被预测为正例的占总的正例的比重

准确率(Accuracy)：
A = TP/(TP+FN)=(TP+TN)/(TP+FN+FP+TN) 反映了分类器对整个样本的判定能力，也就是说能将正的判定为正，负的判定为负

True Positive (TP): “真正” 指被model预测为正的正样本，即判断为真的正确率

True Negative(TN): “真负” 指被model预测为负的负样本，即判断为假的正确率

False Positive(FP): “假正” 指被模型预测为正的负样本，即误报率

False Negative(FN): “假负” 指被模型预测为负的正样本，即漏报率