准确率、精确率、召回率、F1-measure简单总结

-	相关(Relevant),正类	无关(NonRelevant),负类
被检索到(Retrieved)	true positives(TP 正类判定为正类)	false positives(FP 负类判定为正类)
未被检索到(Not Retrieved)	false negatives(FN 正类判定为负类)	true negatives(TN 负类判定为负类)

准确率(Accuracy)

$$A＝\frac{TP+TN}{P+N}$$
对于给定的测试数据集，分类器正确分类的样本数与总样本数之比

精确率(precision)

$$P=\frac{TP}{TP+FP}$$
计算的是所有"正确被检索的item(TP)"占所有"实际被检索到的(TP+FP)"的比例

预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的

Precision又称为查准率

召回率(recall)

$$R=\frac{TP}{TP+FN}$$
计算的是所有"正确被检索的item(TP)"占所有"应该检索到的item(TP+FN)"的比例

样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的

Recall又称为查全率

F1-measure值

就是精确值和召回率的调和均值

$$\frac{2}{F_1}=\frac{1}{P}+\frac{1}{R}$$

调整下也就是

$$F_1=\frac{2PR}{P+R}=\frac{2TP}{2TP+FP+FN}$$

将F-measure一般化

$$F_a=\frac{(a^2+1)PR}{a^2(P+R)}$$

当 $a=1$ 时， $F_1=F_a$

F1-measure认为精确率和召回率的权重是一样的,但有些场景下,我们可能认为精确率会更加重要,调整参数a,使用Fa-measure可以帮助我们更好的evaluate结果.

总结

准确率就是找得对，召回率就是找得全

参考：

1. 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
2. 准确率（Precision）、召回率（Recall）以及综合评价指标（F1-Measure ）