错误率、精度、查准率、召回率和F1得分

① 错误率与精度

错误率和精度是分类问题中常用的性能度量指标，既适用于二分类任务，也适用于多分类任务.

• 错误率（error rate）：指分类错误的样本占样本总数的比例，即 （ 分类错误的数量 / 样本总数数量）

• 精度（accuracy）：指分类正确的样本占样本总数的比例，即 （分类正确的数量 / 样本总数数量）

  $$精度=1-错误率$$

② 查准率、召回率与F1得分

对于二分类问题，可以将真实类别、预测类别组合为“真正例”（true positive）、“假正例”（false positive）、“真反例”（true negative）、“假反例”（false negative）四种情形，见下表：

• 样例总数：TP + FP + TN + FN

• 查准率： TP / (TP + FP)，表示分的准不准

• 召回率：TP / (TP + FN)，表示分的全不全，又称为“查全率”

• F1得分：
  $$f1=\frac{2\ast 查准率\ast 召回率}{查准率+召回率}$$

例：

假设有10只动物，其中猫有16只，狗有4只。
根据特征预测猫。

模型执行，输出10只，猫7只，狗3只。

样本：

• 正例：属于这一类的样本。 猫
• 负例：不属于这一类的样本。 狗

查准率（Precision）：

被正确检索的样本数 与 被检索到样本总数之比。即：TP / (TP + FP).

在本例中，正确检索到了7只猫，总共检索出10只动物，所以 Precision = 7 / 10.

召回率（Recall ）：

被正确检索的样本数 与 应当被检索到的样本数之比。即：TP / (TP + FN).

在本例中，正确检索到了7只猫，应当检索16只，所以 Recall = 7 / 16.