如何理解准确率 (Accuracy)、精准率(Precision)、召回率(Recall)和F值(F-Measure)

在机器学习中，模型训练之后会有一个评估的标准，常用的评估标准又准确率，精准率，召回率和F值。

首先声明一个概念：如上图

• TP: 正确识别为正样本
• TN: 正确识别为负样本
• FP: 错误识别为正样本
• FN: 错误识别为负样本

以上：T是True，F为False， P是positive，N是negative

准确率：Accuracy，所有样本预测正确的比例，及预测正确的正负样本 / 预测的总数量 及只要你预测正确了，不管是正样本还是负样本，都算在内。 ACC = (TP+TN) /（TP+TN+FP+FN）。

精准率：Precision，只看预测为正样本的，有多少是真正的正样本。 Precision= TP / (TP+FP)

召回率：Recall（查全率）Recall= TP / (TP+FN）即正确识别为正样本的 / 正确识别为正样本的+错误识别为负样本的

F值：综合评价指标（F-Measure），P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）。 F-Measure是Precision和Recall加权调和平均：F = (α^2+1)*P*R/α^2(P+R)， 当参数α=1时，就是最常见的F1，即F1 = （2*P*R）/（P+R）