准确率、精确率、召回率

在机器学习领域，模型评估中的TP、TN、FP、FN、准确率、精确率等，实在是令人傻傻分不清，今天就好好缕缕这些概念。
混淆矩阵是监督学习中的一种可视化工具，主要用于比较分类结果和实例的真实信息。

混淆矩阵 二分类混淆矩阵例子

TP：预测为正向（P），实际上预测正确（T），即判断为正向的正确率
TN：预测为负向（N），实际上预测正确（T），即判断为负向的正确率
FP：预测为正向（P），实际上预测错误（F），误报率，即把负向判断成了正向
FN：预测为负向（N），实际上预测错误（F），漏报率，即把正向判断称了负向

2、准确率（Accuracy）

准确率是最常用的分类性能指标。
Accuracy = (TP+TN)/(TP+FN+FP+TN)
即预测正确的比上全部的数据，可理解为预测正确率。
例：预侧对的5只狗+预测对的4只猫【比上】全部的数据10。 Accuracy=9/10

准确率

3、精确率（Precision）

精确率容易和准确率被混为一谈。其实，精确率只是针对预测正确的正样本而不是所有预测正确的样本。表现为预测出是正的里面有多少真正是正的。可理解为查准率。
Precision = TP/(TP+FP)
即正确预测的正例数 /预测正例总数。
例：预测对的5只狗【比上】预测为狗的总数5+0=5，Precision=5/5

精确率

4、召回率（Recall）

召回率表现出在实际正样本中，分类器能预测出多少。可理解为查全率。
Recall = TP/(TP+FN)，即正确预测的正例数 /实际正例总数。
即在所有实际的正向数据中，有多少预测正确了。
例如：预测对的5只狗【比上】实际为狗的总数是5+1=6

召回率

5、F1 score

F值是精确率和召回率的调和值，更接近于两个数较小的那个，所以精确率和召回率接近时，F值最大。很多推荐系统的评测指标就是用F值的。
2/F1 = 1/Precision + 1/Recall