準確率（Accuracy）和召回率（Recall）是評估分類模型性能的兩個重要指標。
準確率是指模型正確預測的樣本數佔總樣本數的比例。在一箇包含所有正樣本和負樣本的數據集中，準確率計算方式爲正確預測的樣本數（真正例TP和真負例TN）除以總樣本數（TP、TN、FN、FP），其中FN是錯誤地被模型預測爲負例的實際正例，FP是錯誤地被模型預測爲正例的實際負例。
召回率是指在所有實際爲正例的樣本中，被模型正確預測爲正例的比例。召回率的計算方式爲正確預測的正例（TP）除以實際的正例數（TP加FN），這個指標衡量了模型對正例的識別能力。
在二元分類問題中，準確率和召回率特別重要，因爲它們可以幫助理解模型在特定決策閾值下的性能。例如，在一箇不平衡的數據集中，一箇模型可能通過簡單地預測所有樣本爲佔多數的類別來達到較高的準確率，但這樣的模型召回率可能很低。因此，準確率和召回率通常一起使用，以全面評估模型的性能。