在衡量模型性能好坏时，我们经常用到精确度、召回率和F1评分。再此做记录，如有错误，欢迎指正。
文章图片
如上表格所示，模型的最终预测结果可分为上述四类情况，假设我们现在是要预测队伍里的男生女生人数，男生为正例，女生为负例，则：
1、True Positive：正确的正例，即男生被正确分为男生
2、False Positive：错误的正例，即女生被错误分为男生
3、False Negative：错误的负例，即男生被错误分为女生
4、True Negative：正确的负例，即女生被正确分为女生
我们可以这样记忆，前面为True的就代表分类正确，False的就代表分类错误；后边是Positive的就是正例，后边是Negative的就是负例。
【精确度(Precision)、召回率(Recall)和F1_Score】下面是精确度(Precision)、召回率(Recall)和F1_Score的公式：
文章图片
由此我们可以得到以下规律：
假设模型分类取得了正例和负例的分类结果，那么Precision就是模型所得分类结果中，真正的正例与分类所得正例的比值，也可叫作查准率；Recall就是模型所得分类结果中，真正的正例与数据中实际真正正例的比值，也可叫做查全率；
在对模型进行评估的过程中，仅用精确度或者召回率去评估模型是无法全面评估模型优劣的，所以人们将精确度和召回率结合起来，得到了F1评分作为模型的实际评分准则，在多分类问题中，F1是精确度和召回率的调和平均：
文章图片
最后提一下所谓的准确率(Accuracy)，准确率就是分类任务中全部分类正确(不论正例负例)的总数与全体总数的比值，Accuracy = (TP + TN )/( TP + FP + TN + FN)。
推荐阅读
- paddle|动手从头实现LSTM
- 人工智能|干货！人体姿态估计与运动预测
- 推荐系统论文进阶|CTR预估 论文精读(十一)--Deep Interest Evolution Network(DIEN)
- Python专栏|数据分析的常规流程
- 读书笔记|《白话大数据和机器学习》学习笔记1
- Pytorch学习|sklearn-SVM 模型保存、交叉验证与网格搜索
- Python机器学习基础与进阶|Python机器学习--集成学习算法--XGBoost算法
- 深度学习|深度学习笔记总结
- 机器学习|机器学习Sklearn学习总结
- 机器学习|线性回归原理与python实现