分类常用的评价指标

• 准确率
  准确率是一个用于评价分类模型的指标。通俗来说，准确率是指我们的模型预测正确的结果所占的比例。

---

Accuracy=Number of correct predictions /Total number of predictions
对于二元分类，也可以根据正类别和负类别按如下方式计算准确率：
Accuracy=（TP+TN）／（TP+FP+TN+FN）
其中，TP=真正例，TN=真负例，FP=假正例，FN=假负例。

---

当我们使用分类不平衡的数据集（比如正类别标签和负类别标签的数量之间存在明显差异）时，单单准确率一项并不能反映全面情况。

这时我们需要引入两个能够更好地评估分类不平衡问题的指标：精确率和召回率。

• 精准率
  精准率表示被识别为正类别的样本中，确实为正类别的样本的比例。
  精准率用公式表示为：
  Precision=TP／（TP+FP）
  ps:如果模型的预测结果中没有假正例，则模型的精确率为 1.0。

---

• 召回率
  召回率表示在所有的正样本中，被识别为正样本的比例。
  召回率用公式表示为：
  Recall=TP／（TP+FN）
  ps: 如果预测结果中没有假负例，则模型的召回率为1.0。
  精确率和召回率：一场拔河比赛
  要全面评估模型的有效性，必须同时检查精确率和召回率。遗憾的是，精确率和召回率往往是此消彼长的情况。也就是说，提高精确率通常会降低召回率值，反之亦然。

ps:本博文仅仅是记录一些概念点，没有创新点。
谷歌的机器学习课程