混淆矩阵,准确率,精确率,F1

一级指标（最底层的）：

1. 真实值是positive，模型认为是positive的数量（True Positive=TP）
2. 真实值是positive，模型认为是negative的数量（False Negative=FN）：这就是统计学上的第一类错误（Type I Error）
3. 真实值是negative，模型认为是positive的数量（False Positive=FP）：这就是统计学上的第二类错误（Type II Error）
4. 真实值是negative，模型认为是negative的数量（True Negative=TN）
    

将这四个指标一起呈现在表格中，就能得到如下这样一个矩阵，我们称它为混淆矩阵（Confusion Matrix）：

二级指标

但是，混淆矩阵里面统计的是个数，有时候面对大量的数据，光凭算个数，很难衡量模型的优劣。因此混淆矩阵在基本的统计结果上又延伸了如下4个指标，我称他们是二级指标（通过最底层指标加减乘除得到的）：

1. 准确率（Accuracy）—— 针对整个模型
2. 精确率（Precision）
3. 灵敏度（Sensitivity）：就是召回率（Recall）
4. 特异度（Specificity）

通过上面的四个二级指标，可以将混淆矩阵中数量的结果转化为0-1之间的比率。便于进行标准化的衡量。

在这四个指标的基础上在进行拓展，会产令另外一个三级指标

三级指标

这个指标叫做F1 Score。他的计算公式是：

其中，P代表Precision，R代表Recall。

F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差
 

 

 

refrence:
https://blog.csdn.net/Orange_Spotty_Cat/article/details/80520839