精确率（precision）、召回率（recall）、准确率（accuracy）

精确率—查准率——precision：你认为的该类样本，有多少猜对了（猜的准确率如何）

召回率—查全率—recall：该类样本有多少被找出来（召回了多少）；
准确率—accuracy：正类和负类预测准确的比例。

首先明确一下几个表示：
-True Positive(真正, TP)：将正类预测为正类数.
-True Negative(真负, TN)：将负类预测为负类数.
-False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
-False Negative(假负, FN)：将正类预测为负类数 →→ 漏报 (Type II error).

精确率：precision = TP / (TP + FP)

召回率：recall = TP / (TP + FN)

准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN)

F1 Score：F1 Score = 2*（P*R）/ (P+R)，其中P和R分别为 precision 和recall。

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。

例子：假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

TP: 将正类预测为正类数 40

FN: 将正类预测为负类数 20

FP: 将负类预测为正类数 10

TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%

精确率(precision) = TP/(TP+FP) = 80%

召回率(recall) = TP/(TP+FN) = 2/3

参考：（已修改原文中错误）准确率（accuracy）、精确率（precision）、召回率（recall）_Cheese_pop的博客-CSDN博客_精确率和召回率公式