一分钟搞懂精度，错误率、查准率、查全率

机器学习入门的第一个令人头大的概念区分关卡，就是什么乱七八糟的数据的判断的各种率。简直太影响学习的心情了有没有。

在看了几篇大佬的博客后，作者才终于慢慢的领悟了。（吐血）

现在，让我们有请本次的调查对象——李大爷！（欢呼声）
当然，不是一个，是一堆！一堆李大爷！（欢呼声）
这堆李大爷有好人也有坏人，
假设，我们现在有了一套算法来预判好大爷和坏大爷，这个预判的结果呢，有几个指标，分别是：
1.精度：让你给判断对了的大爷在所有大爷中的比例；（大爷欣慰）
2.错误率：让你给判断错了的大爷在所有大爷中的比例；（大爷骂娘）
3.查准率（precision）：你判断对了的好大爷占你以为的好大爷的比例；
4.查全率（recall）：你判断对了的好大爷占所有好大爷的比例。

看到这，你可能还是一脸懵逼，甚至还想骂人——“你大爷的”。
别急，我们来看一张神奇的图图：

在这张图里，我们见到了四个判断结果，分别是：TP，FN、FP、TN。
这几个瘪犊子是啥意思呢？
来看，他们其实是T,P,F,和N的组合，T代表判断对了，F代表判断错了，P代表认为是对的，N代表认为是错的。所以他们的通俗意思就是：
1.TP：你认为这几个大爷是好大爷，判断对了！——他们确实是好大爷。
2.FN：你认为这几个大爷是坏大爷，判断错了！——他们实际上是好大爷。
3.FP：你认为这几个大爷是好大爷，判断错了！——他们不是好大爷，是坏大爷。
4.TN：你认为这几个大爷是坏大爷，判断对了！——你找出来了坏大爷。(好棒棒）

这下是不是有些通透了？

那我们对照着前面我们给的定义来看这几个率：
1.精度：让你给判断对了的大爷在所有大爷中的比例：
是不是就可以表示为TP+TN/TP+FN+FP+TN呢？
2.错误率：让你给判断错了的大爷在所有大爷中的比例:
是不是就可以表示为FN+FP/TP+FN+FP+TN呢？
3.查准率（precision）：你判断对了的好大爷占你以为的好大爷的比例:

对吧？（体现一个“准”字）
4.查全率（recall）：你判断对了的好大爷占所有好大爷的比例。

这不就定了嘛？（体现了一个“全”字）

(大爷们接受完你的调查，终于可以骂骂咧咧的和老伴回家吃饭去了）

参考文献
[1] 周志华 《机器学习》

欢迎大家评论和指正，谢谢了您嘞。