分类的性能度量（准确率、精确度、召回率、F1值、Kappa系数）

在运用机器学习或深度学习进行数据分类时，通常会用一些性能的指标来度量分类的效果。在这里我们介绍最常用的几种分类的性能度量指标（准确率、精确度、召回率、F1值、Kappa系数）。

对于二分类问题，我们的原始数据是被分为两类的（设他们分别是正、反类或0、1类），而在经过分类器分类之后，每一个数据样本都会被分类器认定为某一类（正（positive）或反（negative）），这也就是分类结果，最终判断其分类结果正确与否（true和false）。所以我们有一些符号设定：

把原数据集中为正类，分类后仍为正类的样本集合记为TP（true positive）；
把原数据集中为正类，但分类后为反类的样本集合记为FN（false negative）；
把原数据集中为反类，但分类后为正类的样本集合记为FP（false positive）；
把原数据集中为反类，分类后仍为反类的样本集合记为TN（true negative）；

如下表可以发现：T和F代表最终的分类结果是否正确；P和N代表分类的结果是正类或反类。

接下来，我们根据上面的基础总结几个分类性能评估指标：

准确率（accuracy）

准确即正确的，