【AI概念】精度（Precision）vs 召回率（Recall）vs F1分数（F1 Score）详解（附详尽Python代码演示）| 定义与原理、数学公式、案例与代码可视化、工程应用建议、典型案例

本文链接：https://blog.youkuaiyun.com/ai_aijiang/article/details/148962334

大家好，我是爱酱。本篇将会系统讲解机器学习分类模型中最常用的三大评价指标：精度（Precision）、召回率（Recall）和F1分数（F1 Score）。内容包括定义、数学公式、直观解释、优缺点、典型应用场景和三者的权衡关系，适合初学者和进阶者系统理解。

注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！

一、基础概念与混淆矩阵（Confusion Matrix）

在二分类任务中，模型输出分为四类：

True Positive (TP)：正类被正确预测为正类
False Positive (FP)：负类被错误预测为正类
False Negative (FN)：正类被错误预测为负类
True Negative (TN)：负类被正确预测为负类

混淆矩阵如下：

	实际为正（Positive）	实际为负（Negative）
预测为正（Positive）	TP	FP
预测为负（Negative）	FN	TN

二、精度（Precision）

1. 定义

精度（Precision）衡量的是模型所有“预测为正”的样本中，真正为正的比例。它关注的是预测结果的准确性。

英文专有名词：Precision / Positive Predictive Value

2. 数学公式（）

$Precision=TPTP+FPPrecision=TP+FPTP$

3. 直观解释

精度高，说明模型预测为正的样本大多数是真的正样本。
适用于“正类预测必须非常可靠”的场景，如垃圾邮件过滤（不希望把正常邮件错判为垃圾邮件）。

三、召回率（Recall）

1. 定义

召回率（Recall）衡量的是所有“实际为正”的样本中，被模型成功预测为正的比例。它关注的是正类样本的覆盖能力。

英文专有名词：Recall / Sensitivity / True Positive Rate (TPR)

2. 数学公式

$Recall=TPTP+FNRecall=TP+FNTP$

3. 直观解释

召回率高，说明模型能找出大部分的正样本，不容易漏掉正类。
适用于“正类漏检代价极高”的场景，如疾病筛查（宁可多报假阳性，也不能漏掉真正的病人）。

四、F1分数（F1 Score）

1. 定义

F1分数（F1 Score）是精度和召回率的调和平均数，综合衡量模型的准确性和覆盖能力。

英文专有名词：F1 Score / F1 Measure / F-Score

2. 数学公式

$F1 Score=2×Precision×RecallPrecision+RecallF1 Score=2×Precision+RecallPrecision×Recall$

3. 直观解释

F1分数兼顾精度和召回率，只有两者都高时F1才高。
适用于类别极度不平衡或精度、召回都重要的场景，如欺诈检测、医学诊断。

五、三者的权衡与应用场景

精度优先：当误报（FP）代价高时，如垃圾邮件过滤、金融风控。
召回率优先：当漏报（FN）代价高时，如疾病筛查、安防监控。
F1分数优先：当精度和召回率都重要，或数据极度不平衡时。

权衡关系：精度和召回率往往此消彼长，F1分数用于平衡二者。

六、计算示例

假设有以下分类结果：

TP = 70
FP = 30
FN = 10

则：

$\text{Precision} = \frac{TP}{TP + FP} = \frac{70}{70 + 30} = 0.7$

$\text{Recall} = \frac{TP}{TP + FN} = \frac{70}{70 + 10} = 0.875$

$\text{F1 Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}} = 2 \times \frac{0.7 \times 0.875}{0.7 + 0.875} \approx 0.777$

七、三者的可视化与代码实现

在实际机器学习分类任务中，理解和直观展示精度、召回率、F1分数的表现非常重要。下面以一个简单的二分类例子，演示如何用Python和sklearn完成PR曲线绘制、混淆矩阵可视化、以及三大指标的自动计算。

代码示例（以sklearn为例）：

代码说明

步骤1：定义真实标签（y_true）和模型输出的概率分数（y_scores），模拟二分类结果。
步骤2~3：用precision_recall_curve和average_precision_score计算并绘制PR曲线，展示不同阈值下精度与召回率的权衡。
步骤4：以0.5为阈值，将概率转为0/1预测标签（y_pred）。
步骤5：用confusion_matrix和ConfusionMatrixDisplay可视化混淆矩阵，直观展示TP/FP/FN/TN分布。
步骤6：用precision_score、recall_score、f1_score一键输出三大指标，便于模型评估和对比。