準確率(Accuracy), 精確率(Precision), 召回率(Recall)和F1-Measure

Precision，Recall，F1score，Accuracy四個概念容易混淆，這裏作一下解釋。

假設一個二分類問題，樣本有正負兩個類別。那麼模型預測的結果和真實標籤的組合就有4種：TP，FP，FN，TN，以下圖所示。這4個分別表示：實際爲正樣本你預測爲正樣本，實際爲負樣本你預測爲正樣本，實際爲正樣本你預測爲負樣本，實際爲負樣本你預測爲負樣本。

那麼Precision和Recall表示什麼意思？通常Precision和Recall都是針對某個類而言的，好比正類別的Recall，負類別的Recall等。若是你是10分類，那麼能夠有1這個類別的Precision，2這個類別的Precision，3這個類別的Recall等。而沒有相似所有數據集的Recall或Precision這種說法。

Precision表示被分爲正例的示例中實際爲正例的比例，precision=TP/（TP+FP）。即，一個二分類，類別分別命名爲1和2，Precision就表示在類別1中，分對了的數量佔了類別1總數量的多少；同理，也表示在類別2中，分對了的數量佔類別2總數量的多少。那麼這個指標越高，就表示越整齊不混亂。

正樣本的Precision表示你預測爲正的樣本中有多少預測對了，以下公式。

 

正樣本的Recall表示真實標籤爲正的樣本有多少被你預測對了，以下公式。兩者的差異僅在於分母的不一樣。

 

Recall，又稱「查全率」——仍是查全率好記，也更能體現其實質意義。

 

還有一個概念：Accuracy，表示你有多少比例的樣本預測對了，公式以下，分母永遠是所有樣本的數量，很好理解。很容易擴展到多類別的狀況，好比10分類，那麼分子就是第一個類別預測對了多少個+第二個類別預測對了多少個+…+第十個類別預測對了多少個。

 

而Accuracy是咱們最多見的評價指標，accuracy = （TP+TN）/(P+N)，這個很容易理解，就是被分對的樣本數除以全部的樣本數，一般來講，正確率越高，分類器越好。咱們最常說的就是這個準確率。

「召回率」與「準確率」雖然沒有必然的關係（從上面公式中能夠看到），在實際應用中，是相互制約的。要根據實際需求，找到一個平衡點。
當 咱們問檢索系統某一件事的全部細節時（輸入檢索query查詢詞），Recall指：檢索系統能「回憶」起那些事的多少細節，通俗來說就是「回憶的能 力」。「能回憶起來的細節數」 除以 「系統知道這件事的全部細節」，就是「記憶率」，也就是recall——召回率。簡單的，也能夠理解爲查全率。

 

F1score的計算是這樣的：1/F1score = 1/2(1/recall + 1/precision)*，簡單換算後就成了：F1score=2recallprecision/(recall+precision)。一樣F1score也是針對某個樣本而言的。通常而言F1score用來綜合precision和recall做爲一個評價指標。還有F1score的變形，主要是添加一個權重係數能夠根據須要對recall和precision賦予不一樣的權重。