准确率、召回率、精确率、F值

准确率、召回率、精确率、F值

• TP， True Positive
• FP， False Positive
• TN， True Negative
• FN， False Negative
  精确率： precision = TP / (TP + FP)
  召回率：recall = TP / (TP + FN)
  准确率：accuracy = (TP + TN) / (TP + FP + TN + FN)
  F值 ： F1 Score = P * R / 2(P + R)，其中P是precision ,R是recall
  

借用女票爆炸理论来解释

小伙(Supasate Choochaisri ) 你是个人才了！！！感谢在理解上的倾情相助，笔芯

问题：
null假设你的女票在过去10年里，每年都会送一份生日礼物给你，有一天，她突然问你：
“记得这十年里你生日我都送过什么吗？” （真了解女生，女生常问问题之一,显然是一颗雷），强烈的求生欲让你在自己的大脑中地毯式搜索了一遍
此时召回率（recall）= 你回答正确的礼物数 和 你女票在你生日时送你的礼物数的总和的比值：
eg:

• 你准确地回答出 10件礼物，那么召回率就是 10 / 10 = 100%，
• 如果只 准确地回忆起了7件，那么召回率（recall）就是70%
  

但是，你所有的回答中可能有错误的回答，eg:你一共给出了15个答案，其中5个是错误的，这证明，你虽然可以打出所有礼物，但却不精确，因此 ，精确率：
Precision = 10 / 15 , 约67%
recall = 10 / 10 = 100%

So：尽管给出了所有的答案，但是总共回答了15次，虽然100%召回了。但是精确率却只有66.67%，如果你回答了不止15次呢，100次呢，200次呢， 你会被女票丢出去的吧哈哈哈~
（来源：知乎硅谷密探的回答）
同理，可以百分百召回的算法不一定是最优的算法

再举个例子:
我开了条汽车生产线，有故障比较少，真有故障（Positive）,正常是没故障（Negative）

	我觉得有故障	我觉得没故障
真故障	TP	FN
真没故障	FP	TN

precision = 我觉得故障中的真故障 / 我觉得故障 = TP / (TP + FP)

召回：生产完成后，有些没检测出来的问题车（False Negative) 也卖给客人了，有一天发现问题要召回FN的车，
按字面意思：
召回率 = 召回 / 真故障 = FN / (TP + FN)

但实际上却是：
召回率 = 1 - （召回 / 真故障）= 1 - FN /(TP + FN) = TP / (TP + FN)
Recall = 我觉得故障中的真故障 / 真故障 = TP / (TP + FN)

这时F1 Score就尤为重要啦（下面欢迎F1 Score 隆重出场）
F值 为精确率和召回率的调和平均值

在评价的时候，当然是希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下是矛盾的。

比如：
假设此时想吃香蕉，实验室每天都会安排10个水果，水果分类6个香蕉，3个句子，1个菠萝，抽取5个，在极端的情况下，抽取的只有香蕉，那么Precision是100%，但是recall就是1/6很低，如果抽取10个水果，那么recall就是100%，但是precision为6/10，相对来说就会很低
所以针对P和 R指标的矛盾可通过F值来化解：

F1 Score = P * R / 2(P + R) = (1 * 6 / 10) / 2(1 + 6/ 10) = 3 / 16