机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解

注：网上很多讲解都瞎讲，把precision和accuracy概念混淆，误人子弟。

1.精确率（precision）

    就precision而言有很多版本，各种说法不一，有精确率也有正确率更有甚者把准确率也搞出来了实在受不了，反正咱们看英文precision。

    precision是表示预测为正样本中，被实际为正样本的比例。可以看出precision是考虑的正样本被预测正确的比例．根据图1-1可得其计算公式为：P = TP / (TP + FP)

2. 召回率（recall）

    召回率是表示实际为正样本中，预测为正样本的比例。可以看出，召回率考虑的是正样本的召回的比例．根据图1-1可得其计算公式为：P = TP / (TP + FN)

３.准确率（accuracy）

    准确率表示所有的预测样本中，预测正确的比例．根据图1-1可得其计算公式为：A = (TP + TN) / (TP + FN + FP + TN)

总结：精确率（accuracy）和召回率（recall）计算公式的分子都是TP也就是正样本被预测为正样本的数量，可知其为正样本的精确率和正样本的召回率．而准确率（accuracy）主要表征的是整体预测正确的比例．

                                                         

 图1-1

图1-1参数描述：TP（True Positive）表示实际为正样本被预测为正样本的数量；FN（False Negative）表示实际为正样本却被预测为负样本的数量；FP（False Positive）表示实际为负样本却被预测为正样本的数量；TN（True Negative）表示实际为负样本预测也为负样本的数量。可以得出(TP + FＮ)是全部实际的正样本数，而（TP + FP）是所有预测为正样本的数量。