分类模型的评价

1、二分类模型

指标	计算	备注
精准率（Precision）	Precision=TP / (TP+FP)	在所有被预测为阳性的测试数据中，真正是阳性的比率。 越大越好
召回率（Recall）	Recall=TP / (TP+FN)	在所有实际为阳性的测试数据中，真正是阳性的比率。 越大越好
F1Score	F1Score = 2*(Precision * Recall) / (Precision + Recall)	综合精准率和召回率这两个指标，并得出量化结果 越大越好
准确率（Accuracy）	Accuracy = (TP+TN) / (TP+TN+FP+FN) = (TP+TN) / Count(Samples)	分类模型预测正确的结果在整体中的占比例

2、多分类模型

假设样本x1的真实分类是Class1，它的预测结果有N种可能（{Class1, Class2, ..., ClassN}中的任何一个）。但是不管预测结果如何，从预测与真实的符合程度来看，只有两种可能：预测正确（被预测为Class1)，和预测错误（被预测为Class1之外的任何一类）。

Class1的精准率：Class1_Precision = Class1_TP/（Class1_TP+Class1_FP），即在所有被预测为Class1的测试数据中，预测正确的比率。

Class1的召回率：Class1_Recall = Class1_TP/（Class1_TP+Class1_FN），即在所有实际为Class1的测试数据中，预测正确的比率。

Class1的F1Score: Class1_F1Score = 2 * (Class1_Precision * Class1_Recall) / (Class1_Precision + Class1_Recall)

同理，Class1的准确率：Class1_Accuracy = (Class1_TP + Class1_TN) / count(Samples)

 

当我们评估一个多分类模型的时候，一般不会用具体某一个类的Precision，Recall或者Accuracy去对其进行评价，而是会用一个数值来代表整体性能。通常会用到的指标是整体准确率。

Overall Accuracy = 各类被预测对了的样本数量的累加 / 样本总数 = sum (class_i_TP) / count(Samples)