【深度学习基础】准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure

深度学习基础：

1. 性能评估指标
2. 超参数介绍

这里主要解释的是前四个

先给出百度百科定义

召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；
精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。

召回率(Recall)和精度(Precise)是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。
F-measure应该是精准率和召回率之间的一个平衡点

举例来说：

一个数据库有500个文档，其中有50个文档符合定义。系统检索到75个文档，但是实际只有45个符合定义。则：

在做出解答前，我们要先了解一些概念：
对于数据测试结果有下面4种情况：
TP: 预测为正，实际为正
FP: 预测为正，实际为负
TN:预测为负，实际为负
FN: 预测为负，实际为正
精确率、准确率：Accuracy=(TP+TN)/(TP+TN+FN+FP)

精准率、查准率： P = TP（查找到的正确文档数）/ (TP+FP)（查找到的所有文档数）
召回率、查全率： R = TP（查找到的正确文档数）/ (TP+FN) （真正的正确文档数）

例子答案：

精度P=45/75=60%
检索文档数中给定文档的占比
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

召回率R=45/50=90%
正确文档数中给定文档的占比
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。

参考博客：https://www.cnblogs.com/sddai/p/5696870.html