精确率和召回率（Python）

继之前讲的贝叶斯实现垃圾邮件分类模型，那么如何评判该模型是好还是坏呢？
对于二分类问题，采用二分问题进行解析，如下图所示：
假如有20个正常邮件，其中四个被分为垃圾邮件，五个垃圾邮件，其中三个被分为正常邮件。
画出二分类的关系图如下图所示：

image.png

如何衡量这个分类器的好坏呢？有几个标准。

1、准确率

准确率accuary = 正确的/总的 = 16+3/16+4+2+3 = (TP+TN)/(TP+FP+FN+TN)
这个方法只能计算正样本和负样本比较平衡的情况下效果较好，如果正负样本分布很不平衡，就结果不可靠。
比如我有995个正样本，只有5个负样本，如果全部猜对是正样本的话，概率还是有99.5%的。所以这样子就无法估算该模型是否可靠了。
那么是否还有其他的评判标准呢，有的，就是下面的精确率和召回率

2、精确率和召回率

• 精确率计算方式是
  P = TP/(TP+FP) 就是计算预测的有多少是被预测准确的
  R = TP/(TP+FN) 计算计算总的正样本，有多少被预测对的，多少被召回了。
  加入计算邮件分类的P和R结果看看这两个如何判别模型的。
  P正 = 16/18
  R正 = 16/20
  负样本的求法是雷同
  P负 = 3/7
  R负 = 3/5
  由计算公式可知，如果提高精确率，召回率就要降低，所以召回率和精确率是互斥的。水火不容。但是这两个都很重要，那怎么办呢？是否可以结合两者来呢？当然可以的，就是当年高中学物理一样，两个并联的电池如何计算的，就是通过并联实现，可以根据并联计算电阻的原理来求这两个并联后的值。
  那么就引入了F1_score的概念。F1_score就是P和R并联的结果，然后求平均值，得到的就是他们的平均值，可以一起评判模型的好坏。
  F1 = (1/P+1/R)/2 = 2PR/P+R