读论文的时候又遇到了这几个，precision和recall没什么好说的，精确率和召回率，如果不了解的话可以看看小米菲的另一篇博客~通俗解释查准率和查全率的区别。
准确率其实和精确率、召回率这两者也有很大关系：
看到了吗，回到上篇博文的西瓜问题，其实precision关注的都是我挑出的的真正好瓜（正例）占我挑出的瓜的比例；而recall关注的是我挑出的真正好瓜（正例）占瓜农那里好瓜总数的比例。
| P | N | |
|---|---|---|
| T | TP | TN |
| F | FP | FN |
P（Positive）表示我目前预测这个西瓜是好西瓜。
N（Negative）表示我目前预测这个西瓜是坏西瓜。
T（True）表示我预测对了
F（False）表示我预测错了
那准确率accuracy是什么呢，其实公式已经讲的很清楚，就是预测正确的样本数占总样本的个数，比如瓜农那里300个西瓜，其中150是好瓜，150是坏瓜，现在我认为这300个西瓜里有100个是好瓜，而200是坏瓜，而我挑出的这100个“好瓜”里80个是真的好瓜，20是坏瓜。而我挑出了100个好瓜说明我认为剩下200个都是坏瓜，而其实剩下的只有130是坏瓜，也就是说我预测对了130+80.
-
我的准确率（Accuacy）=（130+80）/（130+80+20+70）=70%
-
我的精确率（precision） = 80/(80+20) = 80%
-
我的召回率（recall） = 80/（80+70）= 53%
再来说说F1 score,网上的解释F1 score兼顾了精确率与召回率，是统计学中用来衡量二分类精度的一种指标。F1分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。
References:
[1] https://baike.baidu.com/item/F1%E5%88%86%E6%95%B0/13864979?fr=aladdin