機器學習中的 precision、recall、accuracy、F1 Score

轉自：https://www.cnblogs.com/weedboy/p/7072010.html

1. 四個概念定義：TP、FP、TN、FN

先看四個概念定義： 
- TP，True Positive 
- FP，False Positive 
- TN，True Negative 
- FN，False Negative

如何理解記憶這四個概念定義呢？

舉個簡單的二元分類問題 例子：

假設，我們要對某一封郵件做出一個判定，判定這封郵件是垃圾郵件、還是這封郵件不是垃圾郵件？

如果判定是垃圾郵件，那就是做出（Positive）的判定； 
如果判定不是垃圾郵件，那就做出（Negative）的判定。

True Positive（TP）意思表示做出Positive的判定，而且判定是正確的。因此，TP的數值表示正確的Positive判定的個數。 
同理，False Positive（TP）數值表示錯誤的Positive判定的個數。 
依此，True Negative（TN）數值表示正確的Negative判定個數。 
False Negative（FN）數值表示錯誤的Negative判定個數。

2. Precision、Recall、Accuracy、F1 Score（F Score）

四個概念定義：

precision = TP / (TP + FP)
recall = TP / (TP + FN)
accuracy = (TP + TN) / (TP + FP + TN + FN)
F1 Score = 2*P*R/(P+R)，其中P和R分別為 precision 和 recall

如果某個二元分類問題，訓練擬合得到了幾個模型假設，那麼通常我們選擇在驗證集上，F1 Score 數值最大的那個模型假設。

 

 參考於http://www.cnblogs.com/jiangyi-uestc/p/6044282.html