【AI知识点】召回率、精确率、准确率、F1-score和混淆矩阵

【AI论文解读】【AI知识点】【AI小项目】【AI战略思考】

---

召回率、精确率、准确率、F1-score和混淆矩阵，这些是评估一个分类模型性能的常用指标，我们可以通过一个简单的二分类问题来说明它们的区别。这个例子是关于邮件垃圾分类的场景，假设我们要训练一个分类器来区分电子邮件是否是垃圾邮件。

假设的分类结果：

• 总共分类了 100 封邮件。
• 其中，实际垃圾邮件有 20 封，非垃圾邮件有 80 封。
• 下面这个混淆矩阵（Confusion Matrix） 展示了分类模型的四种预测结果：

	实际垃圾邮件 (Positive)	实际非垃圾邮件 (Negative)
预测为垃圾邮件	15 (TP)	10 (FP)
预测为非垃圾邮件	5 (FN)	70 (TN)

定义这些术语：

• 真正类（TP）：模型正确预测为垃圾邮件的邮件数。这里是 15 封。（阳性）
• 假正类（FP）：模型错误地将非垃圾邮件预测为垃圾邮件的邮件数。这里是 10 封。（假阳性，误报，误诊）
• 假负类（FN）：模型错误地将垃圾邮件预测为非垃圾邮件的邮件数。这里是 5 封。（假阴性，漏报，漏诊）
• 真负类（TN）：模型正确预测为非垃圾邮件的邮件数。这里是 70 封。（阴性）

各个指标的计算

1. 召回率（Recall）

• 召回率衡量的是有多少真正的垃圾邮件被模型识别出来：
  $$\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}=$$