金工实习智能汽车

Accuracy, Precision, Recall，F-score
如何计算：
真实结果分为正例和反例，根据预测结果，可分为
Ture Positive:真正例（预测为正的正样本）TP
True Negative:真反例（预测为负的负样本）TN
False Positive:假正例（预测为正的负样本）FP
False Negative:假反例（预测为负的正样本）FN

Accuracy=TP+TN/(TP+TN+FP+FN)
Precision=TP/(TP+FP)
Recall=TP/(TP+FN)
f-score=2∗Precision∗Recall/(Precision+Recall)

四种Metric的特性与区别：

Accuracy是针对整体而言的，表示的是预测对的样本数占样本总数的比例。它能够判断总的正确率，但不适用于正反例样本数不平衡的情况，此时该指标将没有意义。
Precision是针对预测结果而言的，表示的是预测为正的样本中有多少是真正的正样本。它代表对正样本结果中的预测准确程度，Accuracy则代表整体的预测准确程度，包括正样本和负样本。
Recall是针对原样本而言的，它表示的是样本中的正例有多少被预测正确了。Accuracy和Recall呈负相关，追求Accuracy高，则Recall就低；追求Recall高，则通常会影响Accuracy。同时Precision和Recall之间也是矛盾的。
F-score即为Precision和Recall的调和平均值，它作为综合指标，就是为了平衡Accuracy和Recall的影响，较为全面地评价一个分类器。