准确率、查准率、召回率

混淆矩阵

True Positive(真正，TP)：将正类预测为正类数

True Negative(真负，TN)：将负类预测为负类数

False Positive(假正，FP)：将负类预测为正类数误报

False Negative(假负，FN)：将正类预测为负类数→漏报

---

1、 准确率（Accuracy）
定义：就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。
反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负。
$Acc=(TP+TN)/(TP+TN+FN+FP)$

2、召回率（Recall）
定义：返回的结果中的正例占总的正例的比例，总的正例包括返回的正确的正例以及未返回的正例（即错误分为负例中的正例）

• 反映了被正确判定的正例占总的正例的比重。
• 所以为了提高召回率，可以多预测。
  $R=TP/(TP+FN)$
  eg：有128个样本，其中32个正，96个负。
  我可以说，我预测有128个正样本。所以recall= 32/32 = 100%

3、精度（Precision）
定义：被分为正例中实际为正例的比例，反映了被分类器判定的正例中真正的正例样本的比重。

• 为了提高查准率（精度），可以少预测。
  $P=TP/(TP+FP)$
  eg：还是上面的例子，上面的precision = 32/128 = 25%
  我为了提高precision，我可以只预测一个样本。这样就有1/4的概率能预测到。假设恰好预测到了正样本，此时precision = 1/1 = 100%