召回、精确、准确，这些让人头大的概念一文全讲清楚

本文始发于个人公众号：TechFlow，原创不易，求个关注

今天是机器学习真题的第17篇文章，我们来讲讲机器学习模型的评估。

在之前的文章当中我们已经介绍了好几个模型了，有朴素贝叶斯、KNN、KMeans、EM还有线性回归和逻辑回归。今天我们来和大家聊聊该怎么评估这些模型。

均方差

这个概念很简单，它和回归模型当中的损失函数是一样的。可以理解成我们预测值和真实值之间的偏差，我们用y表示样本的真实值，y_表示模型的预测值，那么均方差可以写成：

$$MSE=\frac{1}{m}\sum _{i=1}^m(y-y\_{)}^2$$

这里的m是样本的数量，是一个常数，我们也可以忽略，如果忽略的话就是平方差和，好像并没有一个专门的术语。而且如果不算均值的话，可能这个和会很大，所以通常我们会计算均值。

这里的MSE是mean square error的缩写，也就是平均方差的意思。我们都知道方差在统计学当中表示样本距离均值的震荡程度，方差越大，表示一个指标越不稳定，波动幅度越大。在回归模型的场景当中，我们衡量的不是距离均值的离散程度，而是距离实际值的离散程度。这两者的含义非常近似，应该不难理解。

均方差越小说明模型距离真实值越接近，所以它既可以作为模型训练时候的损失函数，又可以作为我们人工审查模型效果的参考。

回归模型一般使用的指标就是均方差，而分类模型则要复杂得多，会涉及好几个指标，我们一个一个来看。

TP,TN,FP和FN

这四个值看起来傻傻分不清楚，但是一旦我们理解了它们的英文，其实很好懂。T表示true，也就是真，那么F自然表示false，也就是假。P表示positive，可以理解成阳性，N就是negative，就是阴性。这里的阴阳没有逻辑上的含义，表示的只是类别，我们也可以理解成01或者是甲乙，因为没有逻辑因素，所以叫什么都一样。

所以这四个就是真假和阴阳的排列组合，有T的都表示真，可以理解成预测正确。比如TP就是真阳，也就是说检测是阳性，实际上也是阳性。同理，TN就是真阴，检测是阴性，实际上也是阴性。有F则表示预测错误，FP是假阳，也就是检测是阳性，但是实际上是阴性，表示检测错了。同理，FN是假阴，检测是阴性，但是实际上是阳性。

我们用医院检测代入这几个值当中一下就理解了，TP和TN表示检测试剂给力，检测准确，检测是阴就是阴，是阳就是阳。而FP和FN说明检测试剂不行，检测错了，要么就把没病的检测出了有病，要么就是明明有病没检测出来。显然在医疗检测的场景当中，假阳是可以接受的，假阴不行。因为假阳我们还可以再检测，来确定究竟是阴还是阳，如果假阴放过了病例会对病人产生不好的影响，所以一般来说医疗检测试剂都会比标准更加敏感，这样才能尽量不放过漏网之鱼。

召回率

召回率的英文是recall，我觉得这个词翻译得很好，中文的意思和英文基本一致，也有的教材当中翻译成查全率，我感觉差了点意思，还是叫召回率更加信雅达一些。

我们假设一个场景，比如说甲是一个排长，手下有10个小兵，有一个任务需要甲召集所有成员去执行。甲一声令下，召来了8个。那么召回率就是80%。我们放入机器学习的场景当中去也是一样的，在二分类场景当中，一般情况下模型考虑的主要都是正例。可以理解成沙里淘金，负例就是沙，一般价值不大，而金子就是