P(查準率)，R(查全率)，F1 值

起源：

    咱們平時用的精度 accuracy，也就是總體的正確率

      acc=predict_right_num/predict_num

這個雖然經常使用，但不能知足全部任務的需求。好比，由於香蕉太多了，也不能撥開人工的一個一個的看它的好壞 (我愛吃啊，想一想就心疼)，此時咱們就須要有一種方法，代替撥開香蕉這種粗魯的手段。這時咱們須要經過一些測試，看看哪一種方法能更加準確的預測。咱們能夠經過

    「準」：預測的準確度，就是我預測的結果中真正好的香蕉要越多越好；

    「全」：就是全部的好的香蕉預測出來的越多越好，雖然把有些壞的也預測是好的了，那也無論，「全」 就行。好的香蕉越多的出如今預測結果裏

其實這二者都想要達到就行了，可是不行的： 

    好比 "準", 我就預測一個算了，好的香蕉確定比壞的比例高，也就是我只預測一個，100% 比例概率最大了，這時就不 「全」 了，海有好多好的香蕉不在預測結果裏面

    再好比 "全", 我去所有預測成好的，這真正好的都在個人預測裏，也就是 100%。但是這時的 "準" 就一點都不許了。。

    因此就必須來平衡這倆同志的關係了，怎麼平衡呢？確定是經過權重來的呀，此時，F 值登上歷史舞臺!

實例說明：

  實例化講解吧。好比咱們的香蕉中 1 表示好的，0 表示壞的，有 10 個香蕉：

　　gold :  [1，1，1，1，1，0，0，0，0，0]

　　pred:  [1，0，1，1，1，1，1，0，0，0]

    註釋：gold 是現實的好壞；pred 是預測的好壞。

    P(Precision) 查準率，準確率：就是上面說的 "準"。字面意思好理解呀，就是在預測當中查找準確個數的比例。公式爲：

　 P = 真正預測準確的數量 / 預測是準確的數量 = 4 / 6

    R(Recall) 查全率，召回率：就是上面的 "全"。根據字面理解，在預測中看看真正預測對的佔全有對的比率。公式爲：

　 R = 真正預測準確的數量 / 全部真正好的數量  = 4 / 5

準確率就是找得對，召回率就是找得全。大概就是你問問一個模型，這堆東西是否是某個類的時候，準確率就是 它說是，這東西就確實是的機率吧，召回率就是， 它說是，但它漏說了（1 - 召回率）這麼多。

    F 值 綜合評價指標，是：

　　F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )

        註釋：k>0 度量了 查全率 對 查準率 的相對重要性。k>1 查全率有更大影響；k<1查準率有更大影響。

        在這個實例中能夠表示爲：k>1 就是查全率有更大影響，就是好的香蕉最好都預測出來，由於你以爲不想把好的當成壞的扔點 (真惋惜，我愛吃啊) ；k<1 查準率有更大影響，就是必定要準確，省時間，省力更重要，不在意好的香蕉當壞的扔點。

    而咱們經常使用的是 F1，就是 F(1) 的意思，k=1，好比咱們作一個分類任務，這幾個類以爲都同樣重要。此時：

        F(1) = 2 * P * R / ( P + R ) = 2*4/6*4/5/(4/6+4/5) = 8/11