机器学习---评价指标：Accuracy、Precision、Recall、F-Measure

在介绍指标前必须先了解“混淆矩阵”，其各个元素的介绍如下：

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 (Type I error)

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

 

Accuracy最容易理解，指所有样本中被正确分类的样本，包含所有样本类别。数学公式为：

Precision与Recall是比较常见的两个衡量分类精确度的参数。Precision是指在所有分类结果为某一类别的样本中，被正确分类

的个数所占比例，而Recall指的是在某一类别的所有样本中被正确分类的样本所占比例。他们的公式分别为：

注：区别这两者的关键是Presion是从分类后的样本角度看的，而Recall是从原始样本角度看的

F-measure（F-score）是Precision与Recall的加权和，因为P与R可能会存在相反的情况，这时F-Measure可以将两者综合，能更有效的评价分类结果，其公式为：

当为1是即为熟悉的F1参数：