Precision and recall

评价模型的参数

	真实值(正)	真实值(负)
预想结果(正)	TP	FP
预想结果(负)	FN	TN

• • 1 准确率(Accuracy)

  • A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN)
  • 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负

• • 2 精确度(Precision)

  • P = TP/(TP+FP)
  • 反映了被分类器判定的正例中真正的正例样本的比重

• • 3 召回率(Recall)

  • R = TP/(TP+FN) = 1 - FN/T
  • 反映了被正确判定的正例占总的正例的比重

• • 4 F1-measure

  • F1 = 2 × 召回率 × 精确度/ (召回率+精确度)
  • 这就是传统上通常说的F1 measure

WIKI

图例

通常来说使用F1的值来综合考量模型的质量
但需求不同，我们侧重的指标也会不同
例如我有一个朋友的工作是使用图像识别技术来鉴别黄色图片。
出于尽可能多的识别出黄图（宁可错杀，绝不放过）的目的，则更侧重于召回率(recall）