##内容
准确率（Accuracy），精准率（Precision）和召回率（Recall）是分类问题中常用的三个评估指标。
准确率：指分类正确的样本数占总样本数的比例，包括真正例（TP）和真负例（TN）。准确率适用于类别平衡的情况，即正例和负例数量相当。
精准率：指预测为正例的样本中真正的正例比例，即真正例（TP）占所有预测为正例（TP+FP）的比例。精准率关注的是预测为正例的准确性。
召回率：指实际正例中被预测为正例的比例，即真正例（TP）占所有实际正例（TP+FN）的比例。召回率关注的是预测正例的覆盖度。
这三个指标之间存在一定的关系：提高精准率可能会降低召回率，反之亦然。因此，在实际应用中，需要根据具体需求来权衡这三个指标，以达到最佳的分类效果。
F1 Score/F-Measure是一个统计学中用来衡量二分类模型精确度的指标，同时兼顾了分类模型的准确率和召回率。
TP(True Positive, 真阳性)：算法预测为正例（P），实际上也是正例（P）的个数，即算法预测对了（True）。
TN(True Negtive，真阴性)：算法预测为负例（N），实际上也是负例（N）的个数，即算法预测对了（True）。
FP(False Positive，假阳性)：算法预测为正例（P），实际上是负例（N）的个数，即算法预测错了（False）这里指的是：实际为负例但被分类器划分为正例的实例数。
FN(False Negtive，假阴性)：算法预测为负例（N），实际上是正例（P）的个数，即算法预测错了（False）这里指的是：即实际为正例但被分类器划分为负例的实例数
Accuracy = (TP+TN)/(TP+FP+TN+FN)
Precision = TP / (TP+FP)
Recall = TP / (TP + FN)
F1 = 2 * (precision * recall) / (precision + recall)