多分类问题下准确率python_准确度(accuracy)、精确率（precision)、召回率（recall）、F1值 谈谈我的看法...

目录

前言

准确度、精确率、召回率、F1值作为评估指标，经常用到分类效果的评测上。比较好理解的二分类问题，准确度评估预测正确的比例，精确率评估预测正例的查准率，召回率评估真实正例的查全率。如何把这些评估指标用到多分类上呢，比如有三个类别A、B、C，准确度好理解，只要关系是否预测正确即可；那么精确率和召回率怎么理解呢？我们可以把多分类问题拆分成多个二分类问题，比如A类别是否预测正确，B类别是否预测正确，C类别是否预测正确，分别计算各个类别的每个类别的精确率和召回率，最终求均值既能作为所有样本的评估指标。

基本概念

TP(True Positives)：真正例，预测为正例而且实际上也是负例；

FP(False Positives)：假正例，预测为正例然而实际上却是负例；

FN(false Negatives)：假负例，预测为负例然而实际上却是正例；

TN(True Negatives)：真负例，预测为负例而且实际上也是负例。

记忆要点：正负例的是依据预测值，真假是依据实际值。真正例的意思，预测为正例，实际上是真的正例。

用二分类的问题类举例，有黑白色球，真实的球个数是黑球3个，白球7个，编号和真实颜色如下表格：

模型预测结果为黑球4个，白球6个，预测结果入下表格，红色代表预测正确：

如果我们以黑球为正例标准，则可以统计出：

TP：2个， 预测是黑色的，实际就是黑色的，即黑字红色部分。

FP：2个，预测是黑色的，实际是白色的，即黑字黑色部分，即编号4和5。

FN：1个，预测是白色的，实际是黑色的&#x