机器学习算法衡量指标——准确率、精确率（查准率）、召回率（查全率）

机器学习算法衡量指标

在分类问题中，将机器学习模型的预测与实际情况进行比对后，结果可以分为四种：TP、TN、FN、FP。每个的第一个字母：T/F，代表预测结果是否符合事实，模型猜得对不对，True or False。 每个的第二个字母：N/P，代表预测的结果，是Negative，还是Positive。因为对于分类问题，机器学习模型只会输出正类和负类两种预测结果。

具体来说：

结果	描述
TP	True Positive，预测结果为正类，且与事实相符，即事实为正类。
TN	True Negative，预测结果为负类，且与事实相符，即事实为负类。
FP	False Positive，预测结果为正类，但与事实不符，即事实为负类。
FN	False Negative，预测结果为负类，但与事实不符，即事实为正类。

有了结果分类，就可以计算指标了。常见有三个指标：准确率、精确率（查准率）、召回率（查全率）

1. 准确率

从上面的计算式可知，准确率的含义是模型猜对了的结果在全部结果中的占比，猜对的越多，得分就越高。

2. 精确率（查准率）

分母说的是所有预测为正类的结果，分子说的是正类结果中猜对了的那部分。换句话说，模型预测对正类结果的预测越准确，查准率就越高。

3. 召回率（查全率）

整个表达式的意思是，在全部正类中，看看模型能正确找出来多少，找出来的越多，查全率就越高。