准确率、精确率、召回率及F1-Measure

机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。

准确率： 预测结果正确数量占所有预测结果数量的百分比，比如：通过身高、体脂率、发质来判断1000名普通人的性别，预测结果总数为total_number＝１０００，预测正确数量为true_forecast，则

准确率 = true_forecast / total_number

在介绍精确率、召回率、F1-Measure之前，我们先看下表：（正类是女生或者正类是男生，其实并不关键哈，这里就这么滴蜡）

	相关(Relevant),正类（此处正类为判定为女生）	无关(NonRelevant),负类（此处负类被判定为男生）
被检索到(Retrieved)	true positives(TP 正类判定为正类,例子中就是正确的判定"这位是女生")	false positives(FP 负类判定为正类,"存伪",例子中就是分明是男生却判断为女生)
未被检索到(Not Retrieved)	false negatives(FN 正类判定为负类,"去真",例子中就是,分明是女生,这哥们却判断为男生)	true negatives(TN 负类判定为负类,也就是一个男生被判断为男生)

 由此我们来介绍三者：

精确率 = TP / （TP　＋　FP） 

在例子中表现为，预测结果为女生的人群中，真正是女生的人数占被预测为女生人群数量的百分比。

召回率 = TP / （TP　＋　FN）

在例子中表现为，被预测为女生且正确的人数占所有女生人数的百分比。

F1-Measure就是精确率和召回率的调和平均值。

Ｆ１＝２ｒｐ　／　（ｒ＋ｐ），其中ｒ为recall——召回率，ｐ为precision——精确率。