機器學習之模型評價指標

		預測值
		正例	負例
真實值	正例	真正例（A）	假負例（B）
	負例	假正例（C）	真負例（D）

 

		預測值
		正例	負例
真實值	正例	TP	FN
	負例	FP	TN

模型測試通常用四個指標來衡量：

準確率（Accuracy）： 提取出的正確樣本數/總樣本數

召回率（Recall）：正確的正例樣本數/樣本中的正例樣本數，也定義爲查全率

精準率（Precision）：正確的正例樣本數/預測爲正例的樣本數，也定義爲查準率

F值：等於召回率和精準率的調和平均值

這裏須要注意的是召回率和精準率的關係是互斥的，其緣由爲：

1.對於召回率而言，其分母是固定的，是真實值中正例的數目，咱們但願召回率（即查全率）是越高越好的，其極限條件就是當全部值都認定爲是正例時，召回率就爲1，可是這樣作的缺點是沒法區分正例和負例，好比，正例爲患病人數，負例爲健康人數，若是召回率爲1，即認爲測試樣本中的全部人都是有病的，顯然這樣作是不合理的；

2.若是咱們但願召回率增長，即測值中的正例數是增長的，以下表：（其中正例表示患病，負例表示健康，目的是在找出樣本中的患病人數）

狀況1

		預測值
		正例：70	負例：30
真實值	正例：80	TP：60	FN:20
	負例：20	FP：10	TN:10

召回率:3/4（查全率）

精準率:6/7（查準率）

狀況2

		預測值
		正例：75	負例:25
真實值	正例：80	TP:64	FN:10
	負例:20	FP：11	TN:15

 召回率:64/80

精準率:64/75

3.由上面的分析可得，因爲真正例和假正例的比例是不變的，當預測值中正例樣本數增長時，真正例和假正例的值都會增長，可是分子對於分母差了一個假正例的數值，因此在此狀況下，召回率是增長的，即查全率增長，可是差準率相應下降。

簡單理解就是，認爲多數人是患病的，那麼查全的機率是增長的，可是都多數人結果會形成查準的下降。