准确率和召回率是评估分类模型性能的两个重要指标，准确率与召回率（Precision & Recall）
准确率P（Accuracy）是指分类器正确预测的样本数占全部样本数的比例，即：
准确率 = 预测正确的样本数 / 总样本数
召回率R（Recall）是指分类器预测为正例（positive）的样本中，预测正确的样本数占所有实际为正例的样本数的比例，即：
召回率 = 预测正确的正例数 / 实际正例数
F1 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）
看下面一张图：
在二元分类问题中，我们通常将被预测的类别称为正例（Positive）或负例（Negative）。其中，真实为正例且被预测为正例的样本数为真正例（True Positive, TP），真实为负例但被误预测为正例的样本数为假正例（False Positive, FP），真实为负例且被预测为负例的样本数为真负例（True Negative, TN），真实为正例但被误预测为负例的样本数为假负例（False Negative, FN）。
准确率P=TP/(TP+FP)
召回率R=TP/(TP+FN)
F1=2*TP/(2*TP+FP+FN)=2*P*R/(P+R)
举例说明：
不妨举这样一个例子：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 = 70% * 50% * 2 / (70% + 50%) = 58.3%
另外：
E值
E值表示查准率P和查全率R的加权平均值
b越大，表示查准率的权重越大。
