precision, recall, accuracy, F1 score等评价指标

有些概念看了很多次，每次还是懵逼的，只能写下来不断的每次都翻啊翻啊翻啊翻~
比如TP、FP、TN、FN每次都傻傻分不清楚。。。。

TP&FP&TN&FN

• TP: true positive，模型预测为正的正样本，也叫作预测为正的正确率
• TN: true negative，模型预测为负的负样本，也叫作预测为负的正确率
• FP: false positive，模型预测为正的负样本，也叫作误报率，
• FN: false negative，模型预测为负的正样本，也叫作漏报率。
  看着就很绕，绕来绕去这次搞懂了，下次又蒙蔽了，于是画了一个图
  
  很清晰了：
  positive和negative是对预测正负的表示
  True和False是对预测和对照的匹配与否的评价，，，不是对对照正负的表示！！！！

---

评价指标

• Precision，所有预测为正的样本中，实际为正样本的比率
  
  Precision=TPTP+FP$$Precision={\displaystyle \frac{TP}{TP+FP}}$$
• Recall，所有正样本中，预测为正的比率
  
  Recall=TPTP+FN$$Recall={\displaystyle \frac{TP}{TP+FN}}$$
• Accuracy，不论实际上是正样本还是负样本，计算预测和实际相符的比率
  
  Accuracy=TP+TNTP+FP+TN+FN$$Accuracy={\displaystyle \frac{TP+TN}{TP+FP+TN+FN}}$$
• F1 score
  
  F1−score=Precision∗Recall2∗(Precision+Recall)$$F1-score={\displaystyle \frac{Precision\ast Recall}{2\ast (Precision+Recall)}}$$