【机器学习】准确率（Accuracy） 精确率(Precision) 召回率(Recall) F值(F-Measure) AUC ROC的理解

下面的符号含义：TP-将正预测为真，FN-将正预测为假，FP-将反预测为真，TN-将反预测为假。

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。

准确率

准确率是对给定数据集，分类正确样本个数和总样本数的比值。即：

  Precision=TP+TNTP+FN+FP+TNPrecision=\frac{TP+TN}{TP+FN+FP+TN}Precision=TP+FN+FP+TNTP+TN​

精确度

精确度说明判断为真的正例占所有判断为真的样例比重，即：

Accuracy=TP+TPFPAccuracy=\frac{TP+TP}{FP}Accuracy=FPTP+TP​

Accuracy=TPTP+FP

召回率

召回率又被称为查全率，用来说明分类器中判定为真的正例占总正例的比率，即：//06/07/5b19517a06936.png

Recall=TPTP+FN

Recall=TPTP+FN

三者之间的联系

一般来说，精确度和召回率之间是矛盾的，这里引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。F1是精确率和召回率的调和平均：

1F1=1Recall+1Precision

1F1=1Recall+1Precision

一般来说准确率和召回率呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。如下图所示：