分类模型效果评估指标

1、 准确率、精确率、召回率、F1​-score
我们以分类算法为例，假设班里有50个同学，其中男生30个，女生20个，我们根据身高、体重、头发长度、声音分贝等等特征，想找到所有女生，比如已经有这样一个分类器了，得到结果如下：

这里我们是要找到所有女同学，故把女同学作为正样本（positive），男同学作为负样本（Negative），预测结果正确为True，预测结果错误为False。基于此，我们结合上面的数据给出如下定义和值：
  TP(True Positive): 真实是女生，预测结果也是女生的数量（18个）
  FN(False Negative): 真实是女生，预测结果是男生的数量（2个）
  TN(True Negative): 真实是男生，预测结果也是男生（25个）
  FP(False Postive): 真实是男生，预测结果是女生（5个）

准确率(Accuracy)： 衡量所有样本被分类准确的比例​
        Accuracy=(TP+TN)/(TP+FP+TN+FN)​
精确率(Precision)： 也叫查准率，衡量正样本的分类准确率，就是说倍预测为正样本的样本有多少是真的正样本。
          Precision=TP/(TP+FP)​
召回率(Recall)： 表示分类正确的正样本占总的分类正确样本的比例
          Recall=TP/(TP+FN)​
F1​-score： 精确率和召回率的调和平均
      2F/1=1/P+1/R⟹F1=2PR/(P+R)=2TP/(2TP+FP+TN)​