precision, recall, accuracy, F1 score等評價名額

有些概念看了很多次，每次還是懵逼的，隻能寫下來不斷的每次都翻啊翻啊翻啊翻~

比如TP、FP、TN、FN每次都傻傻分不清楚。。。。

TP&FP&TN&FN

• TP: true positive，模型預測為正的正樣本，也叫作預測為正的正确率
• TN: true negative，模型預測為負的負樣本，也叫作預測為負的正确率
• FP: false positive，模型預測為正的負樣本，也叫作誤報率，

• FN: false negative，模型預測為負的正樣本，也叫作漏報率。

  看着就很繞，繞來繞去這次搞懂了，下次又蒙蔽了，于是畫了一個圖

  

  很清晰了：

  positive和negative是對預測正負的表示

  True和False是對預測和對照的比對與否的評價，，，不是對對照正負的表示！！！！

評價名額

• Precision，所有預測為正的樣本中，實際為正樣本的比率

  Precision=TPTP+FP P r e c i s i o n = T P T P + F P

• Recall，所有正樣本中，預測為正的比率

  Recall=TPTP+FN R e c a l l = T P T P + F N

• Accuracy，不論實際上是正樣本還是負樣本，計算預測和實際相符的比率

  Accuracy=TP+TNTP+FP+TN+FN A c c u r a c y = T P + T N T P + F P + T N + F N

• F1 score

  F1−score=Precision∗Recall2∗(Precision+Recall) F 1 − s c o r e = P r e c i s i o n ∗ R e c a l l 2 ∗ ( P r e c i s i o n + R e c a l l )