谈P(查准率)，R(查全率)，F1值

1. 引例

比如我们的香蕉中 1 表示好的，0表示坏的，有10个香蕉： gold : [ 1，1，1，1，1，0，0，0，0，0 ]
pred： [ 1，0，1，1，1，1，1，0，0，0 ]
注释：gold是现实的好坏；pred是预测的好坏。
P(Precision) 查准率：就是上面说的"准"。字面意思好理解呀，就是在预测当中查找准确个数的比例。

公式为： P = 真正预测准确的数量/预测是准确的数量 = 4 / 6

R(Recall) 查全率：就是上面的"全"。根据字面理解，在预测中看看真正预测对的占全有对的比率。
公式为：

R = 真正预测准确的数量/所有真正好的数量 = 4 / 5

F值是：
F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )

注释：k>0 度量了 查全率 对 查准率 的相对重要性。k>1查全率有更大影响；k<1查准率有更大影响。

在这个实例中可以表示为：k>1就是查全率有更大影响，就是好的香蕉最好都预测出来，因为你觉得不想把好的当成坏的扔点( 真可惜，我爱吃啊 ) ；k<1查准率有更大影响，就是一定要准确，省时间，省力更重要，不在乎好的香蕉当坏的扔点。      
而我们常用的是F1，就是F(1)的意思，k=1，比如我们做一个分类任务，这几个类觉得都一样重要。此时：    
F(1) = 2 * P * R / ( P + R )

2.公式。

3.含义

有时也用一个F1值来综合评估精确率和召回率，它是精确率和召回率的调和均值。当精确率和召回率都高时,F1值也会高。
有时候我们更加重视精确率。我们用一个参数来度量两者之间的关系。如果, 召回率有更大影响，如果,精确率有更大影响。自然，当的时候，精确率和召回率影响力相同，和F1形式一样。
查准率，百分比越高，证明此模型的效果越好，查准率反应模型判断的准确性，其补数为误判率；
查全率，百分比越高，模型效果越好，反应模型的判断的全面性，其补数为漏检率。
F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。