NLP基础：机器学习指标 Accuracy Precision Recall F1

1. 混淆矩阵

对于二分类，混淆矩阵如下：

其中，T代表True，F代表False，P代表Positive， N代表Negative，TP可以形象的记忆为正确的分为了正样本，FN可以记为错误的分为了负样本，FP可以记忆为错误的分为了正样本、TN可以记忆为正确的分为了负样本。

2. 例子

随意举个三分类的例子，后面指标的计算均基于此样例。三分类任务，label标签分别为0、1、2，一共包含12个样本，样本的ground truth和模型的预测结果如下所示：

3. Accuracy

就是分类正确的样本数 / 所有样本数。当样本不均衡时，此指标的意义并不大。针对混淆矩阵来说，计算公式为：

对于样例，一共有5个样本分类正确，因此：Accuracy = 5 / 12。

4. Precision

对于某类样本来说，计算公式为：

分母代表的含义：预测结果中该类样本的数量。对于从各种瓜中挑选出好瓜来说，precision 代表：在自己挑选出的好瓜中真正的好瓜有多少。

1. 对于0类样本：
   Prediction 中一共有5个样本分类结果为0，因此分母为5，在5个样本中，有2个样本与label一致，分类正确，因此对于0类样本：
   
2. 对于1类样本：
   Prediction 中一共有4个样本分类结果为1，因此分母为4，在4个样本中，有2个样本与label一致，分类正确，因此对于1类样本：
   
3. 对于2类样本：
   同理可以得到：
   

5. Recall

对于某类样本来说