准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure

今天迷瞪的实验室讨论了半天这玩意。写个博客来增强一下老年人的记忆吧。
首先，常见的评价指标有：

• 准确率
• 精确率
• 召回率
• F1-Measure

评价指标的意义 及计算方法

1 准确率

给定的测试数据集，判断对的样本个数，占总样本个数的比例。

2 TP FN FP TN含义

precision,recall和f1-measure之前,我们需要先需要定义TP,FN,FP,TN四种分类情况.

• TP true positive 正类被分为正类的个数
• FN false negative 正类被分为负类的个数
• FP false positive 负类被分为正类的个数
• TN true positive 负类被分为负类的个数

3 精确率

意义：正确被分为正类的个数(TP)占所有分为正类的比例（TP+FP）
$p=$ $\frac{TP}{TP+FP}$

4 召回率

意义：正确被分为正类的个数（TP）占样本中所有正类的比例（TP+FN）
$p=$ $\frac{TP}{TP+FN}$

5 F1-measure

意义：F1-measure是精确值和召回率的调和均值。

我们希望检索结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛盾的。比如极端情况下，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低（$tp==1$ $fp==0$ ,$fn=很大$,$tn==0$）；而如果我们把所有结果都返回（全部都检索到了，不过检索到不相关的也有很多，即fp很大,fn==0），那么必然R是100%，但是P很低。

那么，如果需要综合考虑的咋整?

F-Measure是Precision和Recall加权调和平均：
$p=$ $\frac{(a^2+1)P\ast R}{a^2(P+R)}$
当$a==1$时，就是F1-SCORE
$p=$ $\frac{2\ast P\ast R}{P+R}$

很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。

大概就这样吧~