关于机器学习算法中的准确率（Accuracy）、精准率（Precision）、召回率（Recall）的理解

在机器学习、深度学习等完成建模后，需要对模型的效果进行评价。
目前在业内最常用的评价指标有准确率（Accuracy）、精准率（Precision）、召回率（Recall）及F1-Score等。本文将简单介绍这几个概念，也是记录下来便于自己理解。

---

混淆矩阵

在介绍这些概念之前，我们需要先了解“混淆矩阵”及其相关指标。

	Positive	Negative
True	True Positive（TP）	True Negative（TN）
False	False Positive（FP）	False Negative（FN）

True Positive(真正，TP)：将正类预测为正类数
True Negative(真负，TN)：将负类预测为负类数
False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)
False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

---

评价指标

准确率（Accuracy）

准确率（Accuracy）的计算公式为：
$$ACC=\frac{TP+TN}{TP+TN+FP+FN}$$
准确率是指我们模型预测正确的结果所占的比例

错误率（Error rate）

错误率与准确率相反，是指模型预测错误的结果所占的比例。想要求得错误率，可以使用Error rate = 1 - accuracy

精准率（Precision）

精准率（Precision）定义如下 ：
$$\text{ Precision }=\frac{TP}{TP+FP}$$
精准率是指预测为正例的样本中，有多少是真正的正样本的数量。（即预测为对的样本中，有多少是真正预测正确的）

召回率（Recall）

召回率（Recall）定义如下：
$$\text{ Recall }=\frac{TP}{TP+FN}$$
召回率是指在全部正例样本中，有多少正例样本被预测正确了。

F1-score

要综合准确率和召回率，所以提出了一个指标F1 score，其公式为：
$$\text{ F1 }=\frac{2\ast P\ast R}{P+R}$$
F1 score综合了P和R的结果，当F1较高时能说明试验方法比较有效。

其他评价指标

计算速度：分类器训练和预测需要的时间；
鲁棒性：处理缺失值和异常值的能力；
可扩展性：处理大数据集的能力；
可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。

---

在一年之间看了很多东西，后续在回顾过程中发现忘记了很多，所以慢慢回忆一些东西并记录下来，给自己加深记忆，供自己以后参考。