错误率(Error Rate)：是分类错误的样本数占样本总数的比例。

精度(Accuracy)：是分类正确的样本数占样本总数的比例。

为什么还需要查准率、查全率？

情景一：
错误率和精度虽然常用，但是并不能满足所有任务需求。以西瓜问题为例，假定瓜农拉来一车西瓜，我们用训练好的模型对这些西瓜进行判别，显然，错误率衡量了有多少比例的瓜被判别错误。但是若我们关心的是“挑出的西瓜中有多少比例是好瓜”，或者“所有好瓜中有多少比例被挑了出来”，那么错误率显然就不够用了，这时需要使用其他的性能度量。

情景二：
类似的需求在信息检索、Web搜索等应用中经常出现，例如在信息检索中，我们经常会关心“检索出的信息中有多少比例是用户感兴趣的”，“用户感兴趣的信息中有多少被检索出来了”。

查准率(Precision)，又叫准确率，缩写表示用P。查准率是针对我们预测结果而言的，它表示的是预测为正的样例中有多少是真正的正样例。公式表示为TP/(TP+FP)。

查全率(Recall)，又叫召回率，缩写表示用R。查全率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确。召回率也就是TPR，公式表示为TP/(TP+FN)。

把所有样本都预测为positive，则FN为0，召回率就是100%，但是代价却是FP达到最大值，牺牲了准确率。为平衡多个指标，将TPR为纵轴，FPR为横轴，根据不同阈值（样本被标记为positive的概率超过阈值即被预测为positive，否则为negative），计算出TPR、FPR，并画出ROC曲线，ROC曲线下方的面积即为auc。

F1score希望同时优化的召回率和准确率。

如果说召回率衡量我们训练的模型(制造的一个检验)对既有知识的记忆能力(召回率)，那么两个指标都是希望训练一个能够很好拟合样本数据的模型，这一点上两者目标相同。但是auc在此之外，希望训练一个尽量不误报的模型，也就是知识外推的时候倾向保守估计，而f1希望训练一个不放过任何可能的模型，即知识外推的时候倾向激进，这就是这两个指标的核心区别。