机器学习常用性能度量中的Accuracy、Precision、Recall、ROC、F score等都是些什么东西？...

一篇文章就搞懂啦，这个必须收藏！

我们以图片分类来举例，当然换成文本、语音等也是一样的。

• Positive
  正样本。比如你要识别一组图片是不是猫，那么你预测某张图片是猫，这张图片就被预测成了正样本。

• Negative
  负样本。比如你要识别一组图片是不是猫，那么你预测某张图片不是猫，这张图片就被预测成了负样本。

• TP
  一组预测为正样本的图片中，真的是正样本的图片数。

• TN:
  一组预测为负样本的图片中，真的是负样本的图片数。

• FP:
  一组预测为正样本的图片中，其实是负样本的图片数。又称“误检”

• FN:
  一组预测为负样本的图片中，其实是正样本的图片数。又称“漏检”。

• 精度（accuracy）
  分类正确的样本数占总样本数的比例。
  acc = （TP+TN）/ 总样本数

• 查准率/准确率 precision
  一组预测为正样本的图片中，真的是正样本的图片所占的比例。
  

为什么有了Accuracy还要提出Precision的概念呢？因为前者在测试样本集的正负样本数不均衡的时候，比如正样本数为1，负样本数为99时，模型只要每次都将给定的样本预测成负样本，那么Accuracy = (0+99)/100 = 0.99，精度依然可以很高，但这毫无意义。但是同样的样本集，同样的方法运用到查准率公式上，就不可能得到一个很高的值了。

• 查全率/召回率 recall
  所有真的是正样本的图片中，被成功预测出来的图片所占的比例。