机器学习中，准确率(Accuracy)、精确度(Precision)、召回率(Recall)、F1分数(F1Score) 分别是什么？有啥用？有啥意义？有啥缺陷？

首先明白四个名词：

• 真正例 True Positive
• 假正例 False Positive
• 真负例 True Negative
• 假负例 False Negative

TP: 被预测为真，实际为真的样本
FP: 被预测为真，实际为假的样本
TN: 被预测为假，实际为假的样本
FN: 被预测为假，实际为真的样本

准确率 (Accuracy) 计算公式：(TP + TN) / (TP + FP + TN + FN)
意义：被正确预测的样本占总样本的比例
缺陷：尽管准确率是一个很直观的指标，但在数据不平衡的情况下，它可能会产生误导。例如，在一个99%的样本属于同一类的数据集中，一个总是预测这个主要类的简单模型也会有99%的准确率，但这并不意味着模型是好的。

精准度 (Precision) 计算公式：TP / (TP + FP)
意义：在所有预测为真的样本中，实际为真的样本所占的比例
精确度是评估模型预测正类样本质量的一个好方法。

召回率 (Recall) 计算公式：TP / (TP + FN)
意义：在所有实际为真的样本中，被我们预测为真的样本的比例
召回率是评估模型找出正类样本能力的一个好方法。

F1分数 (F1score) 计算公式：2 x (Precision x Recall) / (Precision + Recall)
意义：F1分数是精确度和召回率的调和平均数，它试图在精确度和召回率之间达到平衡
在精确度和召回率同等重要的情况下，F1分数是一个有用的指标。它特别适用于不平衡数据集。