一文弄懂什么是Precision，Recall，F1score，以及accuracy[通俗易懂]

近期在做实验的时候一直出现Precision，Recall，F1score，以及accuracy这几个概念，为了防止混淆，在这里写下学习笔记，方便以后复习。

以一个二分类问题为例，样本有正负两个类别。 那么模型预测的结果和真实标签的组合就有4种：TP，FP，FN，TN，如下图所示。

在这里插入图片描述

TP实际为正样本你预测为正样本，FN实际为正样本你预测为负样本， FP实际为负样本你预测为正样本，TN实际为负样本你预测为负样本。

首先我们来谈一个好理解的概念： Accuracy(准确率) 这个概念的理解就是你预测对的样本数占样本总数的比例，那什么是预测对的样本？什么是总样本？ 看上面的图，我们能知道预测正确的样本数是TP,TN；总体的样本数就是四个加起来：TP+FN+FP+TN。 所以根据定义，可以得到Acc的计算公式：

A c c u r a c y = T P + T N / ( T P + T N + F P + F N ) Accuracy = TP+TN / (TP +TN+FP+FN) Accuracy=TP+TN/(TP+TN+FP+FN)

紧接着我们来看什么是Precision(精确率) 很多人容易把accuracy和precision弄混，无论是叫法还是定义。实际上很简单，区别也很明显。

精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)

P r e c i s i o n = T P / ( T P + F P ) Precision = TP / (TP + FP) Precision=TP/(TP+FP)

随后是召回率(Recall)：

召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

R e c a l l = T P / ( T P + F N ) Recall = TP / (TP + FN) Recall=TP/(TP+FN)

一般情况下，召回率和精确率是针对某一个类别说的，比如正类别的Recall，负类别的Recall等。如果你是10分类，那么可以有1这个类别的Precision，2这个类别的Precision，3这个类别的Recall等。而没有类似全部数据集的Recall或Precision这种说法。 通常对于二分类，我们说正类的recall和precision。

补充： 在信息检索领域，精确率和召回率又被称为查准率和查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量 查全率＝检索出的相关信息量 / 系统中的相关信息总量

F1-score 是基于召回率和精确率计算的：

F 1 s c o r e = 2 ∗ P r e c i s i o n ∗ R e c a l l / ( P r e c i s i o n + R e c a l l ) F1score = 2*Precision*Recall / (Precision+Recall) F1score=2∗Precision∗Recall/(Precision+Recall)

参考：https://blog.csdn.net/u014380165/article/details/77493978

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/182038.html原文链接：https://javaforall.cn