Precision、Recall、F计算：举例

假设标签：a,b,c,d,e

---

对于标签a：正=a，负=其他（b,c,d,e）
TP：实际=正，预测=正（true positives）
（预测=a 且 实际=a 的个数；a被判定为a）
FP：实际=负，预测=正
（预测=a 情况下，实际=b, c, d, e 的个数；其他被判定为a）
FN：实际=正，预测=负（false negatives）
（实际=a 情况下，预测=b, c, d, e 的个数；a被判定为其他））
TN：实际=负，预测=负
（其他被判定为其他，且正确，如b判定为b）

---

---

有14个数据需要预测

序号	1	2	3	4	5	6	7	8	9	10	11	12	13	14
实际 y_real	b	b	b	b	b	c	c	c	c	d	d	d	e	e
预测 y_pred	b	b	b	a	a	c	c	d	d	d	e	d	e	d
计算：
数量	a	b	c	d	e	sum
–	–	–	–	–	–	–
TP	0	3	2	2	1	8
FP	2	0	0	3	1	6
FN	0	2	2	1	1	6
TN	？	？	？	？	？	？
注：

1. PN（a）= b判定为b + c判定为c +…= 8（除了a）
2. ？ FN（a） + TP（a） = 实际a的个数 （y_real）
   ？ TN（a） + FP（a） =实际其他的个数 （y_real），除了a
   ？ FN（a） + TP（a） + TN（a） + FP（a）= 数据总个数 = 14

Precision = TP / (TP + FP) = 8/(8+6)
Recall = TP / (TP + FN) = 8/(8+6)
F1 = 2*(P*R)/(P+R) = …

---

---

扩展：
tensorflow 中的混淆矩阵：confusion_matrix，矩阵cm

实际 \ 预测 （数量）	a	b	c	d	e
a	0	0	0	0	0
b	2	3	0	0	0
c	0	0	2	2	0
d	0	0	0	2	1
e	0	0	0	1	1
注：

4. cm[0][0] ： 实际=a，预测=a的个数
5. cm表格中的总数 = 数据个数 = 14
6. TP = 对角线之和
   FP = 第一列（除了[a][a]）之和+ 第二列（除了[b][b]）之和+… = 2+0+0+3+1=6
   FN = 第一行（除了[a][a]）之和+第二行（除了[b][b]）之和+… = 0+2+2+1+1=6

https://www.cnblogs.com/techengin/p/8962024.html

#coding:utf-8
from sklearn.metrics import confusion_matrix
import numpy

# 0,1,2,3,4
# a,b,c,d,e
# b	b	b	b	b	    c	c	c	c	d	     d	d	e	e
y_true = [1,1,1,1,1, 2,2,2,2,3, 3,3,4,4]

# b	b	b	a	a	   c	c	d	d	d	     e	d	e	d
y_pred = [1,1,1,0,0, 2,2,3,3,3, 4,3,4,3]
cm = confusion_matrix(y_true, y_pred,labels=[0,1,2,3,4])
print(cm)
# print(type(cm)) # <class 'numpy.ndarray'>

# if cm = 2*2，即二分类
# TP = cm[0][0]
# FP = cm[0][1]
# FN = cm[1][0]
# TN = cm[1][1]
# tn, fp, fn, tp = cm.ravel()