【机器学习评价指标 准确率 召回率 F1-score F2-score】

类别	表示	例子1	例子2
真正例	TP	程序说：真的男人	程序说：真是猴子
假负例	FN	程序说：假的女人	程序说：是猴子，非要说是马
假正例	FP	程序说： 假的男人	程序说：是马，非要说是猴子
真负例	TN	程序说：真的女人	程序说：真是马

准确率：$P_c=TP/(TP+FP)$ 解释：对于是否是男人这个问题上，程序给说ta是男人的准确度有多少（根据$P_c$能够看出程序是不是可信）。

召回率：$R_c=(TP)/(TP+FN)$ 解释：当程序判断他是男人时，程序的话有几分可信度。

$F-score=\frac{(1+{\beta }^2)\ast (P_c\ast R_c)}{{\beta }^2\ast P_c+R_c}$

当 $\beta =1$时，成为F1-Score，这时召回率和精确率都很重要，权重相同。当有些情况下我们认为精确率更为重要，那就调整 $\beta$的值小于 1 ，如果我们认为召回率更加重要，那就调整 $\beta$的值大于1，比如F2-Score。

$F{1}_{s}core=\frac{2\ast P_c\ast R_c}{P_c+R_c}$ 意义：F1_score表示precision和recall的调和平均评估指标，数值的大小判断算法的结果的可信度。

$F{2}_{s}core=\frac{5\ast P_c\ast R_c}{4\ast P_c+R_c}$