二分类指标Precision、Recall、Accuracy、F score、TPR、FPR、MCC

1. Ture Positive Rate (TPR)：$\frac{TP}{TP+FN}$，考察分类器在GT为阳性的样本中预测正确的比例。
2. False Positive Rate (FPR)：$\frac{FP}{FP+TN}$，考察分类器在GT为阴性的样本中预测错误的比例。
3. AUC：ROC曲线下的面积，综合考察分类器的性能。
4. Percision：$\frac{TP}{TP+FP}$，考察在分类器预测为阳性的样本中，预测正确的比例。
5. Recall：$\frac{TP}{TP+FN}$，和TPR一样。
6. Average Precision (AP)：PR曲线下的面积，综合考察分类器的性能。
7. ACC：$\frac{TP+TN}{TP+FP+FN+TN}$，考察分类器在所有样本中预测正确的比例。
8. F1 score：$\frac{2}{\frac{1}{\text{ Precision }}+\frac{1}{\text{ Recall }}}$，计算Precision和Recall两个指标的调和平均数，综合考虑了分类器在这两个指标上的表现。
9. F$\beta$ score：$\frac{1+{\beta }^2}{{\beta }^2\frac{1}{\text{ Recall }}+\frac{1}{\text{ Precision }}}$，相比F1 score，F$\beta$ score可以调整权重，让指标更加关注分类器在Recall或者Precision上的性能（例如F2 score更加关注Recall）。
10. Matthews correlation coefficient (MCC)：$\frac{TP\times TN-FP\times FN}{\sqrt{(TP+FP)(TP+FN)(TN+FP)(TN+FN)}}$​，综合考虑了TP、FP、FN、TN四种情况，即使在两类别的样本含量差别很大时，也可以使用这个指标。（不是很理解这个指标，于是从网上查到了该指标的含义）