分类任务中精确率(Precision)、召回率(Recall)以及准确率(Accuracy)解释说明

精确率：在预测结果中被识别为正类别的样本（预测分类结果）中，确实为正类别的比例是多少
召回率：在所有正类别样本（真实分类结果）**中，被正确识别为正类别的比例是多少？
准确率：在所有样本中，被正确识别的样本的比例是多少？

三个评价指标的计算公式

若一个实例为正类，实际预测为正类，即为真正类(True Positv TP)
若一个实例为负类，实际预测为负类，即为真负类(True Negative TN)
若一个实例为负类，实际预测为正类，即为假正类(False Positv FP)
若一个实例为正类，实际预测为负类，即为假负类(True Negative, TN)

准确率(正确率)=所有预测正确的样本/总的样本 (TP+TN)/总
精确率=将正类预测为正类/所有预测为正类 TP/(TP+FP)
召回率=将正类预测为正类/所有真正的正类 TP/(TP+FN)

F-Score=2*精确率*召回率 /(精确率+召回率)

F-Score：权衡精确率（Precision）和召回率（Recall），一般来说精确率(不准错，宁愿漏检，也不能让现有的预测有错)和召回率(不准漏，宁可错杀一千，也不放过一个)呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。 一般来说，精确度和召回率之间是矛盾的，这里引入F-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。F-Score是精确率和召回率的调和平均。F-score越大说明模型质量更高。

如下示例，质量更高的模型是Algorithm1