F1 - Score\Precision\Recall The Single number evaluation metric(单一评估标准)

以下指标可以作为衡量分类问题的准确度的标准

Precision

Precision(%)=$\frac{Truepositive}{numberofpredictedpositive}\ast 100=\frac{Truepositive}{Truepositive+FalsePositive}\ast 100$

Recall

Recall(%)=$\frac{Truepositive}{numberofactuallypositive}\ast 100=\frac{Truepositive}{Truepositive+FalseNegative}\ast 100$

说明

当你有多个Classifiers时，每一个Classifier的Precision和Recall可能都不一样，而且Precision和Recall之间是存在取舍关系的。因此以Precision和Recall作为衡量指标是不太可行的，你无法一眼看出哪个Classifier表现得更好。

直观而言，你会想到以$(Precision+Recall)/2$作为一个单一的度量指标，但直接求平均数并不太科学，我们有更好的求平均的方法F1 Score，称作调和平均(Harmonic)。

F1 Score

$F_{1}Score=\frac{2PR}{\frac{1}{P}+\frac{1}{R}}$

你可以简单理解F1 Score为P和R的“平均”。

百度百科里有全面的解释：

使用Dev Set和单一的评估标准能够加速你学习的迭代过程。