基础概念及计算：
F值是P和 R的调和平均：
1/F1=1/2*(1/P+1/R) => F1 = （2*P*R）/(P+R);
加权调和平均：F(β)=[（1+β^2)*P*R] / [(β^2*P)+R] β=1，退化为F1，β>1,R更重要；β<1,P更重要；
ROC曲线与AUC:
ROC：横坐标：FPR(假正率） 纵坐标：TPR(真正率），这两个都是值分别是负样本的召回率、正样本的召回率；
AUC（Area Under ROC Curve);位于ROC曲线下方的面积（0<=AUC<=1）：面积越大，模型性能越好；ROC上方的面积为积累的损失大小。
-----------------------------------------------------------------------------------------------------------------------
计算栗子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
正确率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
F1值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：
正确率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F1值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F1值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
指标各自的优缺点问题：
分类的目标有关系到指标的好坏：
从R、P说到F值;
二分类：比如说，拦截导弹，我们希望把一切可能存在的敌方导弹全部拦截到，那么我们更看重的是召回率R，宁可错杀一千，不可放过1个；又如，垃圾邮件的过滤，有时候重要的邮件被判成垃圾邮件所造成的损失，可能远远大于收件箱还有部分垃圾邮件的存在，所以我们此时更看重准确率P； 在考虑更看重P或R的时候，我们也不能忽视R或P，就如，拦截导弹不可能为了追求召回率，连那个明确不是敌方导弹的导弹都给拦截，那么将会浪费巨大的拦截资源，也是一种愚蠢的做法；过滤垃圾邮件，不可能为了追求准确率，就只过滤1封垃圾邮件，那这个过滤垃圾的功能就太垃圾了；综合起来，就可能用到F值来调和两者的综合要求；
再谈ROC：ROC存在一个样本均衡的问题。比如，1万封邮件里面，里面有1封垃圾邮件，分别过滤出10封、50封、100封（都包含该垃圾邮件），那么看召回率都为100%，FPR分别为，9/9999，49/9999，99/9999；FPR数值表现不错，FPR要求越小越好；单看准确率分别为1/10，1/50，1/100；数据表现很差；所以看ROC的AUC问题表现不突出。而P-R 曲线对此就比较敏感了。
AUC和APR：在一定程度上表征了学习其在两变量上取得相对双高的比例；
多分类：看混合矩阵（Confusion Matrix)
