首先我们先上一个整体的公式：

混淆矩阵

真实情况 T或F	预测为正1，P	预测为负0，N
本来的label为1，则预测结果正的话为T，负的话为F	TP（正样本预测为正）	FN（正样本预测为假）
–	–	–
本来label为0，则预测结果正的话为T，负的话为F	FP（负样本预测为正）	TN（负样本预测为负）

混淆矩阵可以清楚的看出错判的样本，以便后续训练重视。

混淆矩阵中的相关名词也是我们后面要将的几个评价指标的重要变量。

Error Rate（错误率）和Accuracy（准确率）

Error Rate（错误率）：分类错误的样本数占样本总数的比例。

公式： ( f a l s e p o s i t i v e s + f a l s e n e g a t i v e s ) / t o t a l e x a m p l e s (false positives + false negatives) / total examples (falsepositives+falsenegatives)/totalexamples

Accuracy（准确率）：分类正确的样本数占样本总数的比例。

公式： ( t r u e p o s i t i v e s + t r u e n e g a t i v e s ) / t o t a l e x a m p l e s (true positives + true negatives) / total examples (truepositives+truenegatives)/totalexamples

Precision（精准度/查准率）和Recall（召回率/查全率）

Precision（精准度/查准率）：预测出来的正样本中，正确的有多少。

公式： t r u e p o s i t i v e s / ( t r u e p o s i t i v e s + f a l s e p o s i t i v e s ) true positives / (true positives + false positives) truepositives/(truepositives+falsepositives)

Recall（召回率/查全率）：预测出来的正样本占总样本中正样本的比例。

公式： t r u e p o s i t i v e s / ( t r u e p o s i t i v e s + f a l s e n e g a t i v e s ) true positives / (true positives + false negatives) truepositives/(truepositives+falsenegatives)

R-P曲线

P-R 曲线越靠近右上角性能越好。

F1 Scores

F1-score 是两者的综合。F1-score 越高，说明分类模型越稳健。上面的P-R曲线中的看到的右上角平衡点就是F1分数得来的结果。

机器学习_评价指标Accuracy（准确率）、Precision（精准度/查准率）、Recall（召回率/查全率）、F1 Scores详解相关推荐

准确率、精准率、召回率和F1值详解
专业术语的中英文对照表英文名准确率 Accuracy 精准率 Precise 召回率 Recall F1值 F1 measure Precise和Recall是广泛应用在信息检索和统计学分类领 ...
机器学习模型评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
转自机器学习:准确率(Precision).召回率(Recall).F值(F-Measure).ROC曲线.PR曲线摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召 ...
机器学习中的准确率、召回率、F值详解
机器学习算法中的准确率(Precision).召回率(Recall).F值(F-Measure): 摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall ...
机器学习的评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线等
在介绍指标前必须先了解"混淆矩阵": 混淆矩阵 True Positive(真正,TP):将正类预测为正类数 True Negative(真负,TN):将负类预测为负类数 Fals ...
手推多分类precision(精确率)、recall(召回率)、F1分数
文章目录样例混淆矩阵 precision.recall.F1分数介绍多分类 macro.micro.weighted 样例本文使用以下样例来计算混淆矩阵.precision.recall和F1 ...
auc计算公式_图解机器学习的准确率、精准率、召回率、F1、ROC曲线、AUC曲线
机器学习模型需要有量化的评估指标来评估哪些模型的效果更好. 本文将用通俗易懂的方式讲解分类问题的混淆矩阵和各种评估指标的计算公式.将要给大家介绍的评估指标有:准确率.精准率.召回率.F1.ROC曲线. ...
机器学习各种模型评价指标：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
周志华老师的西瓜书的第2章:模型评估与选择摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall).F值(F-Measure)简介. 引言: 在机器学习 ...
机器学习分类问题指标评估内容详解（准确率、精准率、召回率、F1、ROC、AUC等）
文章目录前言一.混淆矩阵(confusion matrix) 二.准确率,精准率,召回率,F1分数 1. 准确率(Accuracy) 2. 精确率(Precision) 3. 召回率(Recall ...
机器学习算法中的准确率(Precision)、召回率(Recall)、F值(F-Measure)
转载自:https://www.cnblogs.com/Zhi-Z/p/8728168.html 摘要: 数据挖掘.机器学习和推荐系统中的评测指标-准确率(Precision).召回率(Recall) ...

机器学习_评价指标Accuracy（准确率）、Precision（精准度/查准率）、Recall（召回率/查全率）、F1 Scores详解