比如对于一个分类模型，预测结果为A类的所有样本中包含A0个真正的A样本，和A1个不是A样本的其他类样本，那么该分类模型对于分类A的精确率就是A0/（A0+A1）。
通常来说精确率越高，分类效果越好。但是在样本分布非常不均衡的情况下， 精确率高并不一定意味着是一个好的模型。
比如对于预测长沙明天是否会下雪的模型，在极大概率下长沙是不会下雪的，所以随便一个模型预测长沙不会下雪，它的精确率都可以达到99%以上，所以单纯靠准确率来评价一个算法模型在有些情况下是完全不够的。
召回率表示的是样本中的某类样本有多少被正确预测了。比如对与一个分类模型，A类样本包含A0个样本，预测模型分类结果是A类样本中有A1个正样本和A2个其他样本，那么该分类模型的召回率就是 A1/A0,其中 A1+A2=A0
准确率表示的是所有分类中被正确分类的样本比例，比如对于一个分类模型，样本包含A和B两类，模型正确识别了A类中的A0个样本，B类中的B0个样本，则准确率为 （A0+B0）/（A+B)
ROC曲线和AUC
ROC（Receiver Operating Characteristic）曲线是以假正率（FP_rate）和真正率（TP_rate）为轴的曲线，ROC曲线下面的面积我们叫做AUC，如下图所示：
说明：
- 曲线与FP_rate轴围成的面积（记作AUC）越大，说明性能越好，即：曲线越靠近A点(左上方）性能越好，曲线越靠近B点（右下方）曲线性能越差。
- A点是最完美的performance点，B处是性能最差点。
- 位于C-D线上的点说明算法性能和随机猜测是一样的–如C、D、E点。位于C-D之上说明算法性能优于随机猜测–如G点，位于C-D之下说明算法性能差于随机猜测–如F点。
- ROC曲线在高不平衡数据条件下仍不能够很好的展示实际情况