机器学习 精准率 — 召回率 — 准确率 — F1-Score

准确率 、召回率 、精确率 ：

  准确率->accuracy, 精确率->precision. 召回率-> recall. 三者很像，但是并不同，简单来说三者的目的对象并不相同。
  大多时候我们需要将三者放到特定的任务环境中才会更加明显的感觉到三者的差异。
  在介绍这些之前，我们先回顾一下我们的混淆矩阵。

1. True Positive(真正, TP)：将正类预测为正类数.
2. True Negative(真负 , TN)：将负类预测为负类数.
3. False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
4. False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error)

精确率：在识别为正类的样本中，确实是正类样本的比例

  实际上非常简单，精确率是对我们的预测结果而言的指标。其作用的主要范围主要是在我们的预测结果中。对于实际结果集的大小，并不在精确率的考虑中。

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