機器學習做分類任務得到結果後，往往需要一些名額來評價模型效果，常用到的就有精準率（Precision）、召回率（Recall）和準确率（Accuracy），在不同場景需要看不同名額。
下圖表示的是一個二分類的混淆矩陣：
| 真實值\預測值 | Positive（1） | Negative（0） |
|---|---|---|
| Positive（1） | True Positive (TP) | False Positive (FP) |
| Negative（0） | False Negative (FN) | True Negative (TN) |
TP，預測是正樣本（1），真實為正樣本（1），預測對了；
FN，預測是負樣本（0），真實為正樣本（1），預測錯了
FP，預測是正樣本（1），真實為負樣本（0），預測錯了；
TN：預測是負樣本（0），真實為負樣本（0），預測對了
精準率（Precision）
精準率（Precision）又稱查準率：預測為正的樣本中真實為正的樣本。
P r e c i s i o n = T P / ( T P + F P ) Precision = TP/(TP+FP) Precision=TP/(TP+FP)
召回率（Recall）
召回率（Recall）又稱查全率：真實為正的樣本中預測為正的樣本。
r e c a l l = T P / ( T P + F N ) recall = TP/(TP+FN) recall=TP/(TP+FN)
準确率（Accuracy）
準确率（Accuracy）：預測某類正确的樣本比例
A c c u r a c y = ( T P + T N ) / ( T P + T N + F P + F N ) Accuracy = (TP+TN)/(TP+TN+FP+FN) Accuracy=(TP+TN)/(TP+TN+FP+FN)
舉個栗子
假設銀行有1000個信用卡客戶，其中有10名欺詐使用者。現有一個分類器檢測這1000個信用卡客戶，結果預測出20個欺詐使用者，其中有4名真正的欺詐使用者，另外16名實際上為非欺詐使用者，則混淆矩陣如下：
| 真實值\預測值 | Positive（1） | Negative（0） |
|---|---|---|
| Positive（1） | True Positive (TP=4) | False Positive (FP=16) |
| Negative（0） | False Negative (FN=6) | True Negative (TN=974) |
則名額值分别為：
Accuracy = (4+974)/1000 = 0.978
Precision = 4/20 = 0.25
Recall = 4/10 = 0.4
案例中可以發現，盡管分類器的準确率達到了97.8%，但是如果建立模型目的是盡可能找出隐藏在1000名客戶中的欺詐客戶，則這個分類器并不好。預測為欺詐且真實為欺詐的比率（Precision）僅為25%，真實為欺詐預測為欺詐的比率（Recall）僅為40%，這個比例對銀行而言是不夠好的，可能因為漏判了60%的欺詐客戶，導緻銀行出現比較嚴重的違約可能，造成較大的損失。
總結
模型整體預測效果看Accuracy（準确率）；在預測欺詐、違約、流失客戶時需要看Recall（召回率），召回率越高，說明模型更能夠識别欺詐、違約客戶。想要知道分類器某個分類的準确性則使用Precision（精确率）。