一、准确率(Accuracy)
准确率关注整体效果,只适合均衡的数据。准确率公式如下:
A
c
c
u
r
a
c
y
=
预
测
正
确
的
样
本
数
总
样
本
数
Accuracy=\frac{预测正确的样本数}{总样本数}
Accuracy=总样本数预测正确的样本数
数据不均衡时使用以下的评价指标。
二、精确率(Precision)
精确率关注模型预测得准不准。精确率公式如下:
P
r
e
c
i
s
i
o
n
=
预
测
正
确
的
样
本
数
预
测
出
来
的
样
本
数
Precision=\frac{预测正确的样本数}{预测出来的样本数}
Precision=预测出来的样本数预测正确的样本数
三、召回率(Recall)
召回率关注模型预测得全不全。召回率公式如下:
R
e
c
a
l
l
=
预
测
正
确
的
样
本
数
标
注
的
样
本
数
Recall=\frac{预测正确的样本数}{标注的样本数}
Recall=标注的样本数预测正确的样本数
四、F1
F1是一个综合评价指标,同时考虑了精确率(precision)与召回率(Recall)。F1的公式如下:
F
1
=
2
P
r
e
c
i
s
i
o
n
×
R
e
c
a
l
l
P
r
e
c
i
s
i
o
n
+
R
e
c
a
l
l
F1=\frac{2Precision \times Recall}{Precision+Recall}
F1=Precision+Recall2Precision×Recall
五、宏平均(macro-averaging)
分别计算每类标签的评价指标,然后作算术平均。