准确率是指（详解准确率acc、精确率p、准确率acc、F1 score）

准确率 Accuracy：

模型预测正确的比例；总样本中预测对的概率；所有样本中实际是正例的占比；正确预测的样本数与总样本数之比    
    
    
    
。

准确率 =（真正例+真负例）/(真正例+真负例+假正例+假负例)   


     


     


     


   。

精确率 Precision：

又叫查准率  
    
    
    
   ，表示预测为正的样本中

     


     


     


     

，有多少是真正的真样本（找得对）；即真正例（True Positive）与预测为正的样本数之比



 




 




 




 

。

精确率 = 真正例/(真正例+假正例)

召回率 Recall：

表示样本中的正例被预测正确了（找得全）；正例占预测对的占比；预测结果正确的样本中 




 




 




 




，有多少是真正的真样本；即真正例（True Positive）与实际为正的样本数之比   

   

   

   

。

召回率 = 真正例/(真正例+假负例)

F1 Score：

既能体现精确率又能体现召回率  

   

   

   

  ，是精确率和召回率的调和平均数    

     

     

     

  。

F1 = 2*精确率*召回率/(精确率+召回率)

精确率和召回率的关系：

精确率和召回率其实就是分母的不同

     

     

     

     
，精确率是针对预测为正的结果  




  




  




  




，召回率是针对实际为正的结果




  




  




  




  
。

计算公式总结：

准确率acc：accuracy = (TP+TN)/(TP+TN+FP+FN)

精确率p：precision = TP/(TP+FP)

召回率rec：recall = TP/(TP+FN)

F1 Score：F1=2 * Precision * Recall / (Precision + Recall)

计算公式的理解：

TP+FP+TN+FN：所有样本数；

TP+TN：预测结果是对的；

TP+FP：预测为正的；

TP+FN：实际为正的；

说到这  


  


  


  


 ，就不得不提混淆矩阵了
     
     
     
     ，能帮助我们理解和记忆以上评估模型的几个指标：

混淆矩阵

预测结果

1-Positive

0-Negative

真实情况

1-Positive

TP

FN

0-Negative

FP

TN

真正例（True Positive）：模型预测为正
   




   




   




   




，且实际也为正的样本数  


  


  


  


。（预测结果是对的）

假正例（False Positive）：模型预测为正 



 



 



 



，但实际为负的样本数     
     
     
     
 。（预测结果是错的）

假负例（False Negative）：模型预测为负                     ，但实际为正的样本数




   




   




   




   。（预测结果是错的）

真负例（True Negative）：模型预测为负

    




    




    




    



，且实际也为负的样本数
 



 



 



 



。（预测结果是对的）

T：True的首字母



















，表示预测结果是正确的；

F：False的首字母                     ，表示预测结果是错误的；

P：Positive的首字母

     



     



     



     


，预测是正样本；

N：Negative的首字母



















，预测是负样本；

补充：

样本不平衡时  
    
    
    
   ，评价模型的方法用ROC或AUC；平衡数据

     


     


     


     

，用准确率accuracy                    。