【】评价指标 mrr accuracy recall

来自参考csdn1

准确率(Accuracy)

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,当下伪娘横行,这个错常有人犯)
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–梁山伯同学犯的错就是这个)
true negatives(TN 负类判定为负类,也就是一个男生被判断为男生,像我这样的纯爷们一准儿就会在此处)

根据公式得：

准确率的确可以在一些场合，从某种意义上得到一个分类器是否有效，但它并不总是能有效的评价一个分类器的工作。
比如一个学校总共1000人，但女生只有10人，如果我们随机挑选一个人判断性别，那可以一直判断为男生。因为如果以accuracy来判断，那我会把所有的学生判断为男生，因为这样效率很高，而accuracy已经达到了99.9%，完爆其它很多分类器辛辛苦苦算的值，但是我这个算法显然不是需求期待的。
由此可看出，对于正负样本不均衡的情况下，accuracy作为评判标注不合适，那怎么解决呢？这就是precision，recall和f1-measure出场的时间了。

召回率(Recall)

指的是所有真实为正类（TP+FN）中，被判定为正类（TP）占的比例。
根据公式得：

MRR

来自 参考baiduwenku 2

大概就是下图这么算的