深度学习指标：准确率acc，精确率precision，召回率recall，f1-score的通俗解释

TP: 将正类预测为正类数
FN: 将正类预测为负类数
FP: 将负类预测为正类数
TN: 将负类预测为负类数

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN)
精确率(precision) = TP/(TP+FP)
召回率(recall) = TP/(TP+FN)
f-score = 精确率 * 召回率 * 2 / (精确率 + 召回率)

举个例子

最近正好做 男女儿童的分类，举个具体的例子解释一下：
假设 儿童5w, 识别成儿童的有4w， 识别成other 的有1w.
other10w, 识别成other的有8w, 识别成儿童的有 2w
下面分析儿童的准确率和召回率，那么按照给出的信息分析下面表格：
儿童相关数据 -----------------------------------------------------儿童不相关数据
检索到儿童是儿童的数据并识别为儿童 ---------------- 把other识别成儿童
（正类识别为正类， TP=4w）---------------------（负类识别为正类，FP=2w）
未检索到儿童是儿童数据却识别为other---------------把other识别为 other
(正类识别为负类， FN= 1w) -------------------------- (负类识别为负类， TN=8w)

准确率acc

准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。

acc = (4+8)/(4+2+1+8)=80%

精确率precision：

你认为的该类样本，有多少猜对了（猜的精确性如何）。可以解释为，在所有判别为儿童的数据中是儿童的数据的比例.TP表示是真正分类正确的数量。分母TP+FP表示被识别成儿童的总数

precision = TP /（TP + FP） = 66.67%

召回率 recall：

召回率可解释为， 在所有儿童相关的数据中，判别为儿童的数据的比例：
通俗对的解释就是，本来该有5W个儿童，算法召回了多少。
recall = TP / (TP + FN) = 80%

F-score =精确率 * 召回率 * 2 / (精确率 + 召回率)

f-score =(0.667*0.8)*2/(0.667+0.8) = 72.8%