模型评价指标：精准率（Precision）、召回率（Recall）和准确率（Accuracy）

  机器学习做分类任务得到结果后，往往需要一些指标来评价模型效果，常用到的就有精准率（Precision）、召回率（Recall）和准确率（Accuracy），在不同场景需要看不同指标。

  下图表示的是一个二分类的混淆矩阵：

真实值\预测值	Positive（1）	Negative（0）
Positive（1）	True Positive (TP)	False Positive (FP)
Negative（0）	False Negative (FN)	True Negative (TN)

  TP，预测是正样本（1），真实为正样本（1），预测对了；
  FN，预测是负样本（0），真实为正样本（1），预测错了
  FP，预测是正样本（1），真实为负样本（0），预测错了；
  TN：预测是负样本（0），真实为负样本（0），预测对了

精准率（Precision）

精准率（Precision）又称查准率：预测为正的样本中真实为正的样本。

$$Precision=TP/(TP+FP)$$

召回率（Recall）

  召回率（Recall）又称查全率：真实为正的样本中预测为正的样本。

$$recall=TP/(TP+FN)$$

准确率（Accuracy）

  准确率（Accuracy）：预测某类正确的样本比例

$$Accuracy=(TP+TN)/(TP+TN+FP+FN)$$

举个栗子

  假设银行有1000个信用卡客户，其中有10名欺诈用户。现有一个分类器检测这1000个信用卡客户，结果预测出20个欺诈用户，其中有4名真正的欺诈用户，另外16名实际上为非欺诈用户，则混淆矩阵如下：

真实值\预测值	Positive（1）	Negative（0）
Positive（1）	True Positive (TP=4)	False Positive (FP=16)
Negative（0）	False Negative (FN=6)	True Negative (TN=974)

则指标值分别为：
Accuracy = (4+974)/1000 = 0.978
Precision = 4/20 = 0.25
Recall = 4/10 = 0.4

  案例中可以发现，尽管分类器的准确率达到了97.8%，但是如果建立模型目的是尽可能找出隐藏在1000名客户中的欺诈客户，则这个分类器并不好。预测为欺诈且真实为欺诈的比率（Precision）仅为25%，真实为欺诈预测为欺诈的比率（Recall）仅为40%，这个比例对银行而言是不够好的，可能因为漏判了60%的欺诈客户，导致银行出现比较严重的违约可能，造成较大的损失。

总结

  模型整体预测效果看Accuracy（准确率）；在预测欺诈、违约、流失客户时需要看Recall（召回率），召回率越高，说明模型更能够识别欺诈、违约客户。想要知道分类器某个分类的准确性则使用Precision（精确率）。