查准率和查全率_机器学习（ML）中的准确率、查准率、召回率傻傻分不清？

TP、TN、FP、FN

对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被预测成正类，即为真正类(True positive),如果实例是负类被预测成正类，称之为假正类(False positive)。相应地，如果实例是负类被预测成负类，称之为真负类(True negative),正类被预测成负类则为假负类(false negative)。

准确率(accuracy)、查准率(precision)、查全率(recall)

表示正确分类的比例

表示分类器断定为正例的那部分记录中，实际为正例的记录所占的比例。

表示分类器正确预测的正例（实际为正类）的比例，它的值等于真阳性率。

混淆矩阵

如有150个样本数据，这些数据分成3类，每类50个。分类结束后得到的混淆矩阵为：

每一列的总数表示预测为该类的数据的数目

每一行的数据总数表示该类的数据实例的数目

本例中：

每一行之和为50，表示实际每个类都有50个样本。

第一行说明类1的50个样本有43个分类正确，5个错分为类2，2个错分为类3。

第一列表示有45个样本被预测成类1，43个正确预测，2个类2样本被错预测为类1。