详谈P，R，F1值

怎么来的？

我们平时用的精度accuracy，也就是整体的正确率

acc=predict_right_num/predict_num

这个虽然常用，但不能满足所有任务的需求。比如，因为香蕉太多了，也不能拨开人工的一个一个的看它的好坏(我爱吃啊，想想就心疼)，此时我们就需要有一种方法，代替拨开香蕉这种粗鲁的手段。这时我们需要通过一些测试，看看哪种方法能更加准确的预测。我们可以通过

“准”：预测的准确度，就是我预测的结果中真正好的香蕉要越多越好；

“全”：就是所有的好的香蕉预测出来的越多越好，虽然把有些坏的也预测是好的了，那也不管，“全”就行。

其实这两者都想要达到就好了，但是不行的：

比如"准",我就预测一个算了，好的香蕉肯定比坏的比例高，也就是我只预测一个，100%比例几率最大了，这时就不“全”了，海域好多好的不能都当成坏的扔了吧。。

再比如"全",我去全部预测成好的这真正好的都在我的预测里，也就是100%。可是这时的"准"就贼不准了。。

所以就必须来平衡这俩同志的关系了，怎么平衡呢？肯定是通过权重来的呀，此时，F值登上历史舞台!

啥意思捏？

实例化讲解吧。比如我们的香蕉中 1 表示好的，0表示坏的，有10个香蕉：

gold : [ 1，1，1，1，1，0，0，0，0，0 ]

pred： [ 1，0，1，1，1，1，1，0，0，0 ]

注释：gold是现实的好坏；pred是预测的好坏。

P(Precision) 查准率：就是上面说的"准"。字面意思好理解呀，就是在预测当中查找准确个数的比例。公式为：

P=真正预测准确的数量/预测是准确的数量

= 4 / 6

R(Recall) 查全率：就是上面的"全"。根据字面理解，在预测中看看真正预测对的占全有对的比率。公式为：

R=真正预测准确的数量/所有真正好的数量

= 4 / 5

F值是：

F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )

注释：k>0度量了 查全率 对 查准率 的相对重要性。k>1查全率有更大影响；k

在这个实例中可以表示为：k>1就是查全率有更大影响，就是好的香蕉最好都预测出来，因为你觉得不想把好的当成坏的扔点( 真可惜，我爱吃啊 ) ；k

而我们常用的是F1，就是F(1)的意思，k=1，比如我们做一个分类任务，这几个类觉得都一样重要。此时：

F(1) = 2 * P * R / ( P + R )

代码实现：

背景：用evalList的长度是我需要求的P，R，F1的个数，比如我的实验是立场检测，分类为FAVOR(支持)，AGAINST(反对)，NONE(中立)。而NONE一般不考虑，只要求得FAVOR，AGAINST各自的P，R，F1，然后F1求个平均即可。比如这个论文的数据：

from Stance Detection with Bidirectional Conditional Encoding paper

这时我的evalList里有两个数据分别表示FAVOR，AGAINST各自的P，R，F1值。

这个P，R，F1的代码为：

code

print

就这样吧。应该讲的很详细了！

欢迎关注深度学习自然语言处理公众号