Accuracy、Recall、Precission、F1 Score分别是什么？

无论是打数模还是单纯的搞机器学习，都需要对最后训练结果进行分析，这时候常用的四个指标：准确率、召回率、精确率、F1分数。

作为指标，一定会涉及几个方面

1. 用来描述什么
2. 如何计算的
3. 指标的意义是什么
   那为了计算这几个指标，我们需要了解什么是TP、TN、FP、FN
   用识别苹果举例
   假设我们有100张照片：
   其中有40张是真的苹果照片称之为正样本。
   另外60张不是苹果照片称之为负样本。
   模型预测可能有四种情况：
4. 预测是苹果，实际是苹果，TruePositive (TP)
5. 预测是苹果，实际不是苹果，FalsePositive (FP)
6. 预测不是苹果，实际是苹果，FalseNegative (FN)
7. 预测不是苹果，实际也不是苹果，TrueNegative (TN)
   True or False =有没有猜对
   Positive or Negative 表示猜的结果 是不是正类，是苹果为正类。

假设：

TP (预测正确)：30个
FN (漏检)：10个
FP (误认为是)：15个
TN (预测正确不是)：45个

这四个指标可以形成一个混淆矩阵：

1️⃣准确率 (Accuracy)

所有预测结果中，预测正确的比例
Accuracy = \frac{{TP + TN}}{{TP + TN + FP + FN}}
最直观的指标，但在数据不平衡时表现不佳

2️⃣精确率 (Precision)

模型所有预测为“苹果”的结果中，有多少是真正的苹果
公式：{\rm{Precission = }}\frac{{{\rm{TP}}}}{{{\rm{TP + FP}}}}
是“预测的准不准”的指标，非常看重“减少误报”的场景

3️⃣召回率 (Recall)

所有真正的苹果中，被模型成功找出来了多少
公式：{\rm{Recall = }}\frac{{{\rm{TP}}}}{{{\rm{TP + FN}}}}
关注的是“找的全不全”、“减少漏检”，宁可错检也不能漏检

4️⃣F1分数 (F1-Score)：精确率和召回率的调和平均数

公式：{\rm{F1 = }}\frac{{{\rm{2}} \times {\rm{(Precission}} \times {\rm{Recall)}}}}{{{\rm{Precission + Recall}}}}
F1分数综合的分数来评判模型的好坏。尤其是在数据不平衡时，比准确率更有参考价值。精确率和召回率通常是矛盾的