精确率，召回率，F-1

pred\label	Positive	Negative
Positive	tp(预测正确，预测结果是正阳本，实际是正样本)	fp(预测错误，预测结果是正样本)
Negative	fn(预测错误，预测结果为负样本，世纪为正样本)	tn(预测正确，预测结果是负样本)

1. 精确度（Precision）：预测为正且实际为正的样本占所有预测为正的样本的比例，计算公式为
   $$precision=TP/(TP+FP)$$
   ​ 精确度还有一个名字，叫做**“查准率”，我们关心的主要部分是正例，所以查准率就是相对正例的预测结果而言，正例预测的准确度。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预测正例的准确度**。 理解：精确度越高，误检率越低。 数学意义：Precision体现了模型对负样本的区分能力，Precision越高，模型对负样本的区分能力越强；

​ 2.召回率（Recall）：实际为正且被正确预测为正的样本占所有实际为正的样本的比例，计算公式为
$$recall=TP/(TP+FN)$$
​ 召回率的另一个名字，叫做**“查全率”**，理解：所有正例的样本被检测为正例的比例。 更具体地说，召回率R是检索出的相关文档数D1和文档库中所有的相关文档数D2的比率，可以用以下公式表示：R = D1/D2。 数学意义：Recall体现了模型对正样本的识别能力，Recall越高，模型对正样本的识别能力越强

3. F1 精确值与召回率的调和平均值，两者的综合，F1 score越高，说明模型越稳健。

   F1-Score又称为平衡F分数（balanced F Score），他被定义为精准率和召回率的调和平均数。
   
   F1-Score指标综合了Precision与Recall的产出的结果。F1-Score的取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。
   更一般的，我们定义Fβ分数为
   
   除了F1分数之外，F2分数和F0.5分数在统计学中也得到大量的应用。其中，F2分数中，召回率的权重高于精准率，而F0.5分数中，精准率的权重高于召回率。

   参考：
   《Thresholding Classifiers to Maximize F1 Score》
   《Beyond Accuracy, F-score and ROC: a Family of Discriminant Measures for Performance Evaluation》