【ML】准确率（Accuracy）、精确率（Precision）、召回率（Recall）等

真实标签(下) 预测标签(右)	Positive	Negative
Positive	TP	FN
Negative	FP	TN

TP:正样本被预测为正样本的个数
FP:负样本被预测为正样本的个数
TN:负样本被预测为负样本的个数
FN:正样本被预测为负样本的个数

TP+FP:被预测为正样本的个数
FN+TN:被预测为负样本的个数

TP+FN:真实正样本的个数
FP+TN:真实负样本的个数

TP+TN+FP+FN:正负样本个数

准确率：
$Accuracy=\frac{TP+TN}{TP+TN+FP+FN}$

精确率（查准率）：

精确率是针对预测结果而言的，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)，也就是

$Precision=\frac{TP}{TP+FP}$

召回率（查全率）：

召回率是针对原来的样本而言的，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)。

$Recall=\frac{TP}{TP+FN}$

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。

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

https://www.zhihu.com/question/19645541

注：
$F1-score=2\ast \frac{Precision\ast Recall}{Precision+Recall}$
$=\frac{2TP}{2TP+FN+FP}$

查准率和查全率两者不可兼得！

多分类举例：

真实标签(下) 预测标签(右)	P_1	P_2	P_3
T_1	30	50	20
T_2	20	60	20
T_3	10	10	80

以类别2为例：
TP:类别为2，预测为2的个数60
TN:类别不为2，预测也不为2的个数30+20+10+80=140
FP:类别不为2，预测为2的个数50+10=60
FN:类别为2，预测不为2的个数20+20=40

如有错误请留言指出。。。

公式格式参考：
https://blog.youkuaiyun.com/ygdxt/article/details/82288735

内容参考：
https://blog.youkuaiyun.com/program_developer/article/details/79937291

https://www.cnblogs.com/pprp/p/11241954.html

准确率、精确率、召回率、F1 score以及ROC
https://www.jianshu.com/p/1afbda3a04ab