机器学习算法中的准确率、精确率、召回率和F值

机器学习中有三个评价指标，即准确率（accuracy）、精确率（precision）、召回率（recall）和F值（F-measure）。下面对它所表达的意思进行讲解。

分类为题

对于一个二分类问题，它有四种情况：
如果一个实例是正类，它被分为正类，记为 真正(True Positive)；
如果一个实例是正类，它被分为负类，记为 假负(False Negative)；
如果一个实例是负类，它被分为正类，记为 假正(False Positive)；
如果一个实例是负类，它被分为负类，记为 真负(True Negative)。
在表格中可以表示为：

	真实1	真实0
预测1	TP	FP
预测0	FN	TN

准确率、精确率、召回率、F值

1.准确率(Accuracy)
即所有预测都正确的比率：

2.精确率(Precision)
查准率，全部预测为1中实际标签为1的比率：

3.召回率(Recall)
查全率，实际标签为1中正确预测为1的比率：

4.F值(F-measure)
F-measure是Precision和Recall的加权调和平均：

当参数α=1时，就是常见的F1，即

精确度和召回率成负相关，即其中一个变大，另一个就会变小，我没期望两个值都越大越好，所以引入了F值，当精确度和召回率都最大时F值达到最大。

代码实现

from sklearn.metrics import precision_recall_fscore_support
precision, recall, f1score, support = precision_recall_fscore_support(y_true, y_pred, beta=1.0, labels=None, 
pos_label=1, average=None, warn_for=(‘precision’, ’recall’, ’f-score’), sample_weight=None)

详细信息参考官方文档