在机器学习 准确率（accuracy），精确率（Precision），召回率（Recall）和 综合评价指标（F1-Measure ）
一、说明
有一个模型，能够在100人中找出程序猿，找的结果如下（混淆矩阵）：
| 实际 \ 预测 | True（预测是程序猿） | False（预测不是程序猿） |
|---|---|---|
| True（实际是程序猿） | TP （实际是程序猿，预测是程序猿） | FN （实际是程序猿，预测不是程序猿。这个很Negative，因为把应该找到的漏掉了） |
| False（实际不是程序猿） | FP（实际不是程序猿，预测成是程序猿。这个很Positive，因为没有漏掉结果） | TN（实际不是程序猿，预测不是程序猿） |
| 名称 | 公式 | 描述 |
|---|---|---|
| 准确率 | True/total = (TP+TN)/(TP+TN+FP+FN) | 预测对了百分之几？ |
| 精确度 | p= TP/(TP+FP) | 找出的程序猿里面，有多少是真的程序猿？ |
| 召回率 | R=TP/(TP+FN) | 所有的程序猿里面，找出来了多少？ |
| F1 | (2PR)/(P+R) | 公式 |
二、示例
一共有100个人的数据样本，其中程序猿有20个人，有80个人不是程序猿。
现在有一个系统，能够预测人员分类的情况。预测结果为：找到了50个人是程序猿。与标签对比后发现，这50个人里，有20个人确实是程序猿，有30个人不是程序猿。
| 模型准确率 | ＝ 判断对的人数/总人数＝（程序猿判断为程序猿（20）＋ 非程序猿判断为非程序猿（50））/ 总人数（100）＝(20+50)/100= 70% |
|---|---|
| 模型精确度 | ＝ 判断是程序猿的人里面（50），有多少真的是程序猿（20）＝ 20/50＝ 40% |
| 召回率 | ＝ 在程序猿的总数中（20），找到了多少（20）＝ 20 /20 = 100% |
| F 1 | = 2 * 精确度（40%） * 召回率（100%） / （精确度（40%） + 召回率（100%））= 2 * 40% * 100% / ( 40% + 100% )= 57.1% |
