1）正确率（accuracy）
正确率是我们最常见的评价指标，accuracy = （TP+TN）/(P+N)，这个很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好；
2）错误率（error rate)
错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 – error rate；
3）灵敏度（sensitivity）-真阳性率（这两个指标，反映的是诊断试验本身的特性，即发现患者、确定非患者的能力）
sensitivity = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力，又名真阳性率；
4）特异度（specificity) -真阴性率（这两个指标，反映的是诊断试验本身的特性，即发现患者、确定非患者的能力）
specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力，又名真阴性率；
5）精度（precision）-查准率
精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；
6）召回率（recall）-查全率、灵敏度、真阳性率
召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitivity，可以看到召回率与灵敏度是一样的；
7）真阳率（True Positive Rate, TPR）
TPR = TP/（TP+FN）正样本中，能被识别为真的概率，描述识别出的所有正例占所有正例的比例；
8）假阳率（False Positive Rate, FPR）
FPR = FP/(FP+TN) 负样本中，被识别为真的概率，描述将负例识别为正例的情况占所有负例的比例;
9）ROC曲线（Receiver Operating Characteristic）
把假阳率当x轴，真阳率当y轴画一个二维平面直角坐标系；
10）AUC（Area Under Curve）
ROC曲线下方的面积了。越接近1表示分类器越好。
11）P-R曲线 / 查准率-查全率曲线 / 精确度-召回率曲线
纵轴为精确度P，横轴为召回率R，单调减少。好的模型应该是在recall增长的同时保持precision的值在一个很高的水平，而性能较差的模型要损失很多precision才能换来recall值的提高。
12）mAP定义及相关概念
- mAP: mean Average Precision, 即各类别AP的平均值
- AP: PR曲线下面积，后文会详细讲解
- PR曲线: Precision-Recall曲线
- Precision: TP / (TP + FP)
- Recall: TP / (TP + FN)
- TP: IoU>0.5的检测框数量（同一Ground Truth只计算一次）
- FP: IoU<=0.5的检测框，或者是检测到同一个GT的多余检测框的数量
- FN: 没有检测到的GT的数量
13）其他评价指标
- 计算速度：分类器训练和预测需要的时间；
- 鲁棒性：处理缺失值和异常值的能力；
- 可扩展性：处理大数据集的能力；
- 可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。