以一个疾病诊断系统为例，这些评估术语可以用混淆矩阵中的比率来描述。
四个单元格分别是：
- TP：真正例，实际患病且被预测为患病的人。
- FP：假正例，健康但被预测为患病的人。
- FN：假负例，实际患病但被预测为健康的人。
- TN：真负例，健康且被预测为健康的人。
准确率
准确率是在所有人中被正确预测的比例。
用纯文本表示：
Accuracy = (TP + TN) / (TP + TN + FP + FN)准确率很容易理解，但在类别不平衡时可能会产生误导。例如，如果只有 1% 的人患有某种疾病，一个把所有人都预测为健康的模型仍然可以达到 99% 的准确率，却找不到任何真正的病例。
精确率
精确率是在所有被预测为患病的人中，真正患病者所占的比例。
用纯文本表示：
Precision = TP / (TP + FP)高精确率意味着当系统预测患病时，这个预测通常是正确的。当假正例的代价很高时，精确率尤其重要。
召回率、灵敏度和真正例率
召回率，也称为灵敏度或真正例率，衡量模型找出了多少实际为正的样本。
用纯文本表示：
Recall = Sensitivity = True positive rate = TP / (TP + FN)高召回率意味着系统漏掉的实际患病者更少。当假负例很危险时，召回率尤其重要。
特异度
特异度，也称为真负例率，衡量有多少健康人被正确识别为健康。
用纯文本表示：
Specificity = True negative rate = TN / (TN + FP)高特异度意味着系统会避免把健康人错误地标记为患病。
F1 分数
F1 分数把精确率和召回率合并为一个指标。它是精确率和召回率的调和平均数。
用纯文本表示：
F1 Score = 1 / ((1 / 2) * ((1 / Recall) + (1 / Precision)))
= TP / (TP + (1 / 2) * (FP + FN))等价地：
F1 Score = 2 * Precision * Recall / (Precision + Recall)当假正例和假负例都重要时，尤其是在类别不平衡的情况下，F1 分数很有用。它不直接包含真负例，因此应结合混淆矩阵以及每种错误的实际代价一起解读。