深度学习：详谈P(查准率，准确率,Precision)，R(查全率，召回率，Recall)，F1值

1. 定义：
   acc=predict_right_num/predict_num （准确率）
   P=真正预测准确的数量/预测是准确的数量 （精确率）
   R=真正预测准确的数量/所有真正好的数量 （召回率）
   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。
       F(1) = 2 * P * R / ( P + R )（P，R表示一样重要）
       理想情况下，精确率和召回率两者都越高越好。然而事实上这两者在某些情况下是矛盾的，精确率高时，召回率往往比较低；精确率低时，召回率往往比较高。
2. 适用场景：
   acc虽然常用，但不能满足所有任务的需求。以预测香蕉好坏为例：
     P 精确率就是我预测的结果中真正好的香蕉要越多越好
     R 召回率是所有的好的香蕉预测出来的越多越好）
     注：以上P准确率不是越高越好，你还要考虑R召回率，即所有香蕉中有多少个好的，所有有了F1指标
   精确率和召回率是二分类指标，不适用多分类。
   准确率和错误率适用于多分类评估。（可以将多分类问题转换为二分类问题进行求解，将关注的类化为一类，其他所有类化为一类）。
3. 原因：
   准确率（Accuracy）是分类问题中最常用的评价指标之一，它衡量的是模型预测正确的比例。准确率计算公式为：正确分类的样本数 / 总样本数。对于多分类问题，准确率可以反映模型在各个类别上的预测能力，因此适合用于多分类问题。
   F1 分数（F1-Score）是衡量二分类问题中模型精确度和召回率的综合指标。F1 分数的计算公式为：2 * 精确度 * 召回率 / (精确度 + 召回率)。对于二分类问题，F1 分数可以平衡模型对正负样本的预测能力，因此适合用于二分类问题。