准确率、精确率、召回率、F1

本文简单记录 准确率、精确率、召回率、F1 的概念

混淆矩阵

		实际结果	实际结果
		1	0
预测结果	1	TP	FP
预测结果	0	FN	TN

准确率（Accuracy）

预测正确的样本占总样本的比率：(TP + TN) / (TP + TN + FP + FN)

问题：当样本不均衡的情况下，不能作为很好的衡量指标。（比如，当 90% 的样本都为正样本的时候，模型只需要全部预测为正样本，就能得到 90% 的准确率）

精确率（Precision）

在预测为正的样本中，实际为正的样本所占比率：TP / (TP + FP)

召回率（Recall）

在实际为正的样本中，被预测为正样本所占比率：TP / (TP + FN)

实际例子来说明

假设有 10 篇文章，其中 4 篇是想要找的。模型找到了 5 篇，其中只有 3 篇是想要找的。

• Accuracy = (3 + (10 - 5 - (4- 3))) / 10 = 70%
• Precision = 3 / 5 = 60%
• Recall = 3 / 4 = 75%

以精确率还是准确率来作为衡量指标，需要根据实际的问题来定。

以这次的新冠来说，如果精确率低，表示很多检测为阳性的病人，实际上没有得新冠；如果召回率低，表示很多检测为阴性的人，实际上已经感染了新冠，有扩散风险，所以更加看中召回率这个指标。

F1 score

精确率和召回率又叫查准率和查全率。

精确率和召回率是两个互斥的指标，有些情况下，需要同时考虑精确率和召回率两个指标（希望他们都很高），所以引入一个新的指标：f1 score

f1 score = 2 * Precision * Recall / (Precision + Recall)

参考

• 详解准确率、精确率、召回率、F1值等评价指标的含义