准确率、精确率、召回率、F1-measure

-	p’(Predicted)	n’(Predicted)
p(Actual)	True Positive	False Negtive
n(Actual)	False Positive	True Negtive

准确率(Accuracy)

$$A=\frac{\text{No.Samples Predicted Correctly}}{\text{Total No.of Samples}}=\frac{TP+TN}{P+N}\text{\hspace{1em}(1)}$$

对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。

精确率(precision)

$$P=\frac{TP}{TP+FP}\text{\hspace{1em}(2)}$$
计算的是所有"正确被检索的item(TP)占所有"实际被检索到的(TP+FP)的比例。预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。

召回率(recall)

计算的是所有“正确被检索的item(TP)”占所有"应该检索到的item(TP+FN)”的比例。样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。召回率关注的是分类器正确识别出的正例占所有实际正例的比例，可以反映出模型在识别正例上的能力。

$$R=\frac{TP}{TP+FN}\text{\hspace{1em}(3)}$$

• 真正例（True Positive, TP）：实际为正例且被模型预测为正例的样本数量；
• 假负例（False Negative, FN）：实际为正例但被模型预测为负例的样本数量。

F1-measure值

F1-measure值是一种统计量，是Precision和统计量加权调和平均的一个评价标准。

$$F_{\beta }=\frac{\left({\beta }^2+1\right)PR}{{\beta }^2\cdot P+R}\text{\hspace{1em}(4)}$$
A more general F score, $F_{\beta }$, that uses a positive real factor $\beta$, where $\beta$ is chosen such that recall is considered $\beta$ times as important as precision。

$F_1$定义为调和均值
$$\frac{2}{F_1}=\frac{1}{P}+\frac{1}{R}\text{\hspace{1em}(5)}$$
调整下也就是
$$F_1=\frac{2PR}{P+R}=\frac{2TP}{2TP+FP+FN}\text{\hspace{1em}(6)}$$

当参数$\beta$=1时，式$(6)$就是最常见的F1-Measure形式。

学习理解网站

这是一个链接 $F_{\beta }学习网址$。看完博客不理解的话可以在B站上学习，视频以Nike鞋子举例，说明为什么要多种的统计量来衡量模型优劣。