分类问题中性能评价指标

二分类

分类问题中会出现多种算法，那么自己如何知道算法性能的优劣呢，这就需要评价算法性能好坏的指标，这里介绍几个常用的指标.
1.准确率
评价分类问题的性能的指标一般是分类准确率，其定义是对于给定的数据，分类正确的样本数占总样本数的比例。Accuracy = 预测正确的样本数 / 所有样本数。但是这一指标在不均衡的数据上表现很差。比如说我的样本有990个正样本，10个负样本，我直接把所有样本都预测为正，我的准确率为99%，居然有这么高得准确率，但我的分类方法实际是非常不具有说服力的。
2.精准率和召回率
对于二分类问题常用的评价指标是精确率和召回率。通常以关注的类为正类，其他类为负类，分类器在数据集上的预测或者正确或者不正确，我们有4中情况，在混淆矩阵中表示如下：

精准率 ：Precision=TP / (TP+FP)，即在所有被预测为正的测试数据中，真正是正的比率。
召回率 ：Recall=TP / (TP+FN)，即在所有实际为正的测试数据中，真正是正的比率。
为了综合这两个指标并得出量化结果， 又发明了 F1Score 。
F1Score = 2*(Precision * Recall) / (Precision + Recall)
显然上面三个值都是越大越好，但往往在实际当