【机器学习】召回率，精确率和准确率

机器学习中经常用到这几个性能指标

官方定义：

假设原始样本中有两类，其中： 
1：总共有 P个类别为1的样本，假设类别1为正例。 
2：总共有N个类别为0 的样本，假设类别0为负例。 
经过分类后：
3：有 TP个类别为1 的样本被系统正确判定为类别1，FN 个类别为1 的样本被系统误判定为类别 0，显然有P=TP+FN； 
4：有 FP 个类别为0 的样本被系统误判断定为类别1，TN 个类别为0 的样本被系统正确判为类别 0，显然有N=FP+TN； 

精确度（Precision）：
P = TP/(TP+FP) ;  反映了被分类器判定的正例中真正的正例样本的比重（ 
 
准确率（Accuracy）
A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN);    反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负 
 
召回率(Recall)，也称为 True Positive Rate:
R = TP/(TP+FN) = 1 - FN/T;  反映了被正确判定的正例占总的正例的比重 

自己理解：

1. 召回率 Recall ：也叫查全率，正确预测某项=确实是A/把A预测为

2.精确率 Precision：   也叫查准率，即 确实是A/预测是A

3.准确率 Accuracy： 预测正确/所有

具体例子说明：