recall,precision,f1分数，可能是最通俗易懂的解

分类的常用指标有：
accuracy：准确率
recall：召回率
precison：精确率
f1score：f1分数，是recall和precison的调和均值。

准确率什么情况下失效？

在正负样本不均衡的情况下，accuracy这个指标有很大的缺陷。
如：正样本990个，负样本10个。
将所有样本都预测为正样本，则
虽然准确率很高，但模型并没有什么用。
这时可以用召回率和精确率来评估。




这样好像也没有什么用处哦？
原因是关注正样本还是负样本。
默认是关注正样本，而此时的正样本太多，就算混入几个副样本也无伤大雅。
但大部分情况下是那10个才叫“正样本”,比如异常检测里，990个正常，10个异常，我们可能会更关注那10个异常。这10个异常叫做正样本。
此时就有 10 个正样本，990个负样本。
此时的准确率是多少呢？，仍有这么高。
在看一下Recall和Precision


所以说，这个模型一点用都没有啊。

几个指标的通俗说明

recall:召回率，也叫查全率。其实就是

在上面的例子中，原本正样本990个负样本10个。预测结果为：1000个正样本。
怎么计算召回率呢?

召回率 = 预测对的所有正例 / 原本的所有正例

• 1000个正例中，预测对的正例是多少呢？990个啊。
• 原本的所有正例呢？ 990个啊。
  那么：
  

precison:精确率，也叫查准率

同样是上面的例子

精确率 = 预测“对”的所有正例 / 预测的所有正例

注意，分子上有个“对”字。

• 1000个正例中，预测对的正例是多少呢？990个啊。
• 预测的所有正例呢？不是把1000个全部预测为正例了吗，就是1000啊
  

当然查的越全越好，查的越准也越好。但一般情况下，这两个值是“此消彼长”的关系。所以就要有Fscore了，Fscore是R、P的调和均值，也是越大越好。一般用F1_score，公式如下：

自己计算就好了。
python中可以直接调用函数。