机器学习中常见的评价指标正确率（Accuracy）、召回率（Re

假设某水果老板有1000个西瓜，其中有800个是熟的，200个是不熟的。现在你要去买500个西瓜，你的目的当然是要买熟的西瓜啦。结果你买到的西瓜中有450个是熟的，50个是不熟的，现在我们要评价你识别西瓜的能力。怎么评价呢？当然是通过准确率、召回率、F-score来衡量啦。

准确率=450/（450+50）=90%

召回率=450/800=56.25%

F-score=90%*56.25%*2/（90%+56.25%）=69.23%

OK，算是算出来了，那么我们再做一下比较。假设是Mr_Q去买西瓜，Mr_Q买了600个西瓜，其中500个是熟的，100个是不熟的，那你跟Mr_Q谁更会选西瓜呢？我们来算一下Mr_Q的准确率、召回率、F-score。

准确率=500/（500+100）=83%

召回率=500/800=62.5%

F-score=83%*62.5%*2/（83%+62.5%）=71.3%

虽然你们两个买的数量不一样，但是我们还是要给你们分个高低的。我们当然是希望准确率和召回率越高越好啦，然鹅，现在的情况是你的准确率高于Mr_Q，但是召回率低于Mr_Q，怎么办？当然是看F-score谁比较高啦。为啥呢？因为F-score是综合准确率和召回率的评估指标，综合反应整体的指标。再说一下准确率和召回率吧，准确率是评估购买西瓜中熟西瓜所占比例；召回率是从关注领域（我们当然是关注熟西瓜啦，有800个哦）中，召回目标类别的比例。