假设原始样本中有两类，其中：
1：总共有 P个类别为1的样本，假设类别1为正例。
2：总共有N个类别为0 的样本，假设类别0为负例。
经过分类后：
3：有 TP个类别为1 的样本被系统正确判定为类别1，FN 个类别为1 的样本被系统误判定为类别 0，显然有P=TP+FN；
4：有 FP 个类别为0 的样本被系统误判断定为类别1，TN 个类别为0 的样本被系统正确判为类别 0，显然有N=FP+TN；
那么：
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（
准确率（Accuracy）
A = (TP + TN)/(P+N) = (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
召回率(Recall)，也称为 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T;
反映了被正确判定的正例占总的正例的比重
转移性（Specificity，不知道这个翻译对不对，这个指标用的也不多），也称为 True NegativeRate
S = TN/(TN + FP) = 1 – FP/N；明显的这个和召回率是对应的指标，只是用它在衡量类别0 的判定能力。
F-measure or balanced F-score
F = 2 *召回率 *准确率/ (召回率+准确率)；这就是传统上通常说的F1 measure，另外还有一些别的F measure，可以参考下面的链接
推荐阅读
- MATLAB图形界面|基于Matlab的汽车出入库计时计费系统
- 模板匹配(Match Template) 修改版
- 模式识别|马尔科夫原理及应用场景
- 模式识别相似性测度距离计算---几种距离对比
- (3) windows下可运行的mat转xml，VOC-release4.01 DPM训练的model（mat）转为OpenCV latentsvm可以加载的model（xml）
- Python 实现步态能量图