如何理解Precision和Recall?

 

F1值，就是综合考虑了precision和recall

F1 = 2*precision*recall/(precision+recall)

准确率(Accuracy), 

在给定的测试数据集上，正确分类的样本占总样本的比例。

精确率(Precision), 

 在给定的测试数据集上，正确分类的样本中，分类结果为正样本所占的比例。

召回率(Recall)：

在给定的测试数据集上，分类结果为正样本的集合中，正确分类的样本所占的比例。和灵敏度一个概念，灵敏度（表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力。）

F1-Measure

P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）。
F-Measure是Precision和Recall加权调和平均：

如何拓展到多分类问题上？

1、宏平均的方案，即分别计算每一类的precision和recall；

2、另外一种，我不理解，感觉意义不大。

--------------------------------------------

Python如何计算多类的Precision和Recall，以及F1值？

from sklearn.metrics import accuracy_score,precision_score, recall_score, f1_score
import numpy as np

y_true = np.array([],dtype='int64')
y_pred = np.array([],dtype='int64')

accuracy = accuracy_score(y_true, y_predict)
precision = precision_score(y_true, y_predict, average='macro')
recall = recall_score(y_true, y_predict, average='macro')
f1 = f1_score(y_true, y_predict, average='macro')

print("accuracy is {}, Precision is {}, Recall is {} and F1 is {}".format(accuracy, precision, recall, f1))

多分类ROC曲线的绘制没有没有必要？