分类算法评估-混淆矩阵、精确率和召回率以及F1_Score

分类算法评估-混淆矩阵、精确率和召回率

1. 首先引入问题，为什么我们再评估分类算法的时候通常用精确率和召回率?

假设现在有1000个人。预测他们是否得了癌症。假设他们总共有900人是健康的，10人患癌症，那么在这种情况下我们如果将所有人都预测为健康的。
在这种情况下我们的准确率是: 99.0% 那我们的这个模型显然的不是一个好的模型。

---

所以就引出了精确率（precision）和召回率（recall）
先来看一个混淆矩阵

这里的T就是True，F就是False，P就是Positive（阳性），N就是Negative（阴性）
TN代表的意思也就是：预测的是0 实际也是0
FP代表的意思也就是：预测的是1 实际是0
FN代表的意思也就是：预测的是0 实际是1
TP代表的意思也就是：预测的是1 实际上也是1

然后我们的求精准率的公式就有了 ↓↓↓
精准率公式：

–
召回率公式：

文字表达就是**?*
精确率 = 判断为1实际为1 跟 所有预测为1的比例
召回率 = 判断为1实际为1 跟 所有实际为1的比例

这就是精确率和召回率了。其实在不同的情况下所注重的不同，在某些问题上注重精确率，在某些问题上注重召回率。

还有一个评估方法结合了精确率和召回率，那就是F1_Score，
F1_Score将精确率和召回率都兼顾了，也就是求了精确率和召回率的调和平均值。

F1_Score的公式为:

					 原			创