召回率（rec），准确率（acc），精确率（pre），F1值

这几天在看有关ABSA论文的代码，而代码跑出来的结果除了有输出loss的值以外还有一个acc的值和一个F1的值。查看了网上对于一些博客以后，对于模型的这三个评价指标有了一个新的认识，因此在这里我写出了自己的认识。

1.混淆矩阵

提到召回率，准确率，精确率和F1值，我就不得不提一下什么叫做混淆矩阵。

混淆矩阵说简单一点就是一个矩阵。一个什么样的矩阵呢？一个关于预测值和真实值得一个矩阵。

（Tips：为了方便理解，下面会以一个二分类问题作为讲解）

这个句子的情感是不是积极的	实际值（1：积极，0：不积极）	预测结果	是否正确
你是sb啊！	0	1	×
你是sb吧！	0	0	√
你是sb吗？	0	0	√
你真棒啊！	1	1	√
你真棒棒！	1	1	√
你可真棒！	1	0	×

可以上面是一个关于句子情感的二分类的一个表格。第一列我们可以看到一共有6条句子，第二列则是6条句子所对应的情感，3条句子具有否定的情感，3条句子具有肯定的情感。第三列则是机器对于6条句子情感的判断，最后一列则是判断的正确与否。因此通过上述表格我们便可以做出一个相应的混淆矩阵。

	实际：正	实际：负
预测：正	2	1
预测：负	1	2

、

我们可以看到：

在表格中对应“预测：正，实际：正”的值为2，它所对应到的句子是“你真棒啊！”和“你真棒棒”这两句，故值为2。

在表格中对应“预测：正，实际：负”的值为1，它所对应到的句子是“你是sb啊！”这一句，故值为1。

在表格中对应“预测：负，实际：正”的值为1，它所对应到的句子是“你可真棒！”这一句，故值为1。

在表格中对应“预测：负，实际：负”的值为2，它所对应到的句子是“你是sb吧！”和“你是sb吗？”这两句，故值为2。

介绍完混淆矩阵后，这里我们还需要介绍另一个概念——TP,FP,TN,FN的概念。

TP:True Positive        FP:False Positive        TN:True Negative        FN:False Negative

Tips：这里的True和False指的是机器预测的正确与否。Positive和Negative指的是机器的预测。

2.召回率（rec）

召回率也叫查全率，旨在找到实际为正的样本中多少被预测为正。

公式：

拿上面的举例来说，这里TP为2，FN为1，所以p=2/(1+2)

3.准确率（acc）

旨在知道总样本中预测对的概率。

公式：

 拿上面的举例来说，这里TP为2，TN为2，所以p=（2+2)/6

4.精确率

精确率又叫查准率，旨在预测为正的样本中时间为正的有多少。

公式：

 拿上面的举例来说，这里TP为2，FP为1，所以p=2/(1+2)

5.F1值

F1是为了既能体现精确率又能体现召回率的一个评价指标。

公式：

拿上面的举例来说，F1=2/3