通用算法（ML,DL）分类判定指标：召回率 Recall、精确度Precision、准确率Accuracy等

1.当用算法实现某一问题后，如何证明算法有效性？如何证明你的算法比别的算法更优。特别是针对二分类问题，下面介绍一下分类标准。

2 标准

表示分类正确：

True Positive：本来是正样例，分类成正样例。

True Negative：本来是负样例，分类成负样例。

表示分类错误：

False Positive ：本来是负样例，分类成正样例，通常叫误报。

False Negative：本来是正样例，分类成负样例，通常叫漏报。

3.评价方法

3.1 精确度（Precision）： P = TP/(TP+FP) ; 反映了被分类器判定的正例中真正的正例样本的比重

3.2 准确率（Accuracy）: A = (TP + TN)/(TP + FN + FP + TN); 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负

3.3 召回率(Recall): 也称为 True Positive Rate:R = TP/(TP+FN) ; 反映了被正确判定的正例占总的正例的比重

4. 这里只介绍通用的评价方法，还有其它的一些评价方法，自己可以去找找