precision recall accuracy F1 说明

最近有些同学 问我一些 关于 precision recall 和 accuracy的问题，我觉得有必要在此处解释一下，

以上图what-if中的混淆矩阵为例，矩阵第一行分别是tp,fn
第二行分别是fp,tn

precision=tp/(tp+fp)
recall=tp/(tp+fn)
accuracy=(tp+tn)/all
precision和recall两个是负相关性，即precision增加，recall减少，
precision含义是在我们预测的正例中，真正是正例的百分比，越高越好。
recall含义是在实际是正例中，我们成功预测出的正例所在百分比，越高越好
accuracy含义是我预测对（不管预测的是正例还是负例，只要预测结果是对的）的百分比。
如上所述，precision与recall是负相关的（距离提要提高哪一个指标需要看具体业务情况），所以需要一个均衡值f1值，
f1值为precision和recall的调和平均数，也即
f1=2/（1/p+1/r）=2pr/（p+r）

针对不均衡数据，不能单独使用accuracy，比如我有100个数据，其中有99正例和1个负例，就算我预测的结果是全部为正例，accuracy也是有99%

 

知乎： https://zhuanlan.zhihu.com/albertwang

微信公众号：AI-Research-Studio

​ ​​

下面是赞赏码