精确率 召回率 F1（详细）

精确率召回率等相关知识点经常出现在笔试题中，如果仅考查精确率召回率并不难理解记忆。但是有时结合ROC等知识点时，TP，NP，TN，FN，4个不易区分的符号及各种比率会对初学者的理解产生干扰，本文将几个知识点结合起来举例解释，希望能方便大家理解记忆。

背景

当我们那一个已知结果的数据对算法进行测试时，不难发现算法对数据判断出现的错误。
当待处理数据简单分为正负两类时，显然
对于原数据来说，只有正负两种可能。对于判断结果来说，也是正负两种可能。
但是当我们站在”上帝”的角度上来看，原数据的正负，和判断结果的正负会把整个数据分成4份。
TP ： True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率
TN ： True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率
FP ： False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率
FN ： False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率

总结：两个词中，第二个词是预测结果（算法判断的）。2个词合在一起的是原数据事实。

例如：10个样本里，有6个正，4个负。（事实）
经过一个机器学习算法判断后，认为有7个正，3个负。（判断的）

假设：
TP：被预测为正的7名样本里，本来就是正，又被预测为正的有5人。
TN：被预测为负的3名样本里，本来就是负，又被预测为负的有2人。
FP：被预测为正的7名样本里，本来就是负，又被预测为正的有2人。
FN：被预测为负的3名样本里，本来就是正，又被预测为负的有1人。

公式

精确率Precision Rate： P=TP/(TP+FP)