二分类中的precision，recall，F1值计算(举例)

  二分类中的混淆矩阵中有以下4种标记：

预测(列)/label(行)	正样本	负样本
正样本	TP(真正例)	FN(假反例)
负样本	FP(假正例)	TN(真反例)

  TP(真正例) :将正样本预测为正样本
  FN(假反例)：将正样本预测为负样本
  FP(假正例)：将负样本预测为正样本
  TN(真反例):将负样本预测为负样本
  说明：后面的字母表示预测结果，前一个字母表示是否预测正确
precision：表征分类器的分类效果(查准效果)，它是在预测为正样本的实例中预测正确的频率值，故，
$$P=\frac{TP}{TP+FP}$$
recall:表征某个类的召回(查全)效果，它是在标签为正样本的实例中预测正确的频率，故：
$$R=\frac{TP}{TP+FN}$$
f1值:即用来衡量precision和recall的值，它是这个两个值的调和均值，其中，
$$F=\frac{(1+a^2)PR}{a^2(P+R)},当a=1时即F1-score$$

举个例子

label	0	0	1	0	1	1	0	1	0	1
predict	1	0	1	0	0	1	0	0	0	1

TP：真正例：即将正样本预测为正样本， 3
TN：真反例：即将负样本预测为负样本，4
FP：假正例：将负样本预测为了正样本，1
FN：假反例：将正样本预测为了负样本，2
所以P=3/(3+1)=0.75,R=3/(3+2)=0.6,f1=2×0.75×0.6/(0.75+0.6)=0.67