准确率和召回率（错了，待修改）
总感觉直接求正确率就够了。
待修改时可参考：http://blog.sina.com.cn/s/blog_900690c60101czyo.html
http://blog.csdn.net/abcjennifer/article/details/7359370
对于检索问题，召回率很容易理解：
对于分类问题，总感觉有点怪异：
看看这些比喻，也许有些形象：http://www.zhihu.com/question/19645541
这个全面一点：http://blog.sina.com.cn/s/blog_900690c60101czyo.html
这个好：
http://blog.csdn.net/marising/article/details/6543943#
http://www.360doc.com/content/14/0823/10/13518188_403996763.shtml
好吧，让我们看看一下三幅图，来说明一下折中问题：（我的想法）
图1：作为参照，准确率为80/（80+5）=94.1%，（右的5），召回率为80/（80+5）=94.1%
图2：想增强实际正例判为正例的概率，那么希望调整某些参数，使得如下图第一行。可是，通常，对于不够强大的分类器而言，会导致原来负例判为负例的情况也倾向判为正例，即第二行。即分类器趋向于分成正例了，这是我们不想看到的。
图3：和图2相反，想增强实际负例判为负例的概率，那么希望调整某些参数，使得如下图第一行。可是，通常，对于不够强大的分类器而言，会导致原来正例判为正例的情况也倾向判为负例，即第二行。即分类器趋向于分成负例了，这是我们不想看到的。
怎么画：
那么，如何画PR曲线呢？
通过设置不同的阈值。譬如，一种可能的做法是，根据得分判断两类，得分范围为low~high,那么，在low~high之间一系列值，然后求得不同的准确率和召回率，进而画出P-R曲线。
