准确率（Accuracy）、精确率（precision），召回率（recall）理解

准确率（Accuracy）、精确率（precision），召回率（recall）以及一些衍生指标经常被用作机器学习/深度学习任务的评价标准。

混淆矩阵

准确率（Accuracy）

指标	计算
准确率（Accuracy）	( TP + TN ) / ( P +N )

就是整体判断正确性，但是没有正确率这种说法。

精确率（precision）与召回率（recall）

指标	计算
精确率( precision )	TP / ( TP+FP ) = TP / P
召回率（recall）	TP / (TP + FN ) = TP / T

精确度意义：预测为正例的样本中真实正例比例（查准）。
召回率意义：所有真实正例中被预测为正例的比例(查全）。

从两者公式的分母就可以看出，这两个值的的大小有天然的制约关系。FP越大，意味着越倾向于把负例判为正，FN越大意味着越倾向于把正例判为负。因此精确率提高必然意味着召回率会降低，反之同样，实际应用中可以根据需求选择优先提升其中一个指标，或者使用F1-score进行平衡。

F1-score：2×recall×precision / ( recall + precision )

这两个指标常常用在正负样本不平均的任务当中。