机器学习中的查准率（Precision）、查全率（Recall）、F1 度量

最近看论文实验时忘记了 “Recall” 这个评价指标是干什么用的，所有简单地回顾一下，用最简单方法加深一下记忆

首先得先回顾一下分类结果的混淆矩阵，忘记的朋友可以参考我这篇：分类结果的混淆矩阵

查准率（Precision）：
$$P=\frac{TP}{TP+FP}$$
【正确的分类样本中的正例个数】与 【所有预测为正例的样本个数】之比，分子好理解，但是分母容易与查全率（Recall）中的分母混淆！所以要记住：查准率是对预测结果的一个评价指标，不要去考虑真实情况如何，分母就只包括预测的结果，即混淆矩阵的第一列上，所以分母就包括：被分类正确的正例（TP）和被分类错误的正例（FP）

查全率（Recall）：
$$R=\frac{TP}{TP+FN}$$
【正确的分类样本中的正例个数】与 【真实正例的样本个数】之比，同样分子好理解，分布母则容易与查准率（Precision）中的分母混淆！所以要记住：查全率是模型从真实正例样本中揪出来的正例个数，全部注意力要集中在真实情况的正例上，即混淆矩阵的第一行上，所以分母就包括：被分类正确的正例（TP）和被分类错误的负例（FN）

需要注意的是：查准率（Precision）和查全率（Recall）一般不会保持同步高或低，数值变化趋势一般相反（西瓜中也指出：一般来说，查准率高，查全率往往偏低；而查全率高时，查准率往往偏低）

F1 度量：
$$F1=\frac{2\times P\times R}{P+R}=\frac{2\times TP}{样例总数+TP-TN}$$
有时，评价模型时更关注查准率（Precision），有时更关注查全率（Recall），F1 度量就是基于 查准率（Precision） 和 查全率（Recall） 的调和平均定义的，从而表达出对 P 和 R 的不同偏好。