机器学习笔记--查准率precision和查全率recall、F1

真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative），分别用TP、FP、TN、FN表示相应样例数，样例总数=TP+FP+TN+FN；分类结果混淆矩阵：

查准率（precision）：被认定为正例的里面，判断正确的比例。

查全率（recall）：真实正例里，被判断出为正例的比例。

查准率和查全率是一对矛盾的度量.一般来说，查准率高时，查全率往往偏低;而查全率高时，查准率往往偏低,可以通过P-R曲线来取两者的平衡值

若一个学习器P-R曲线被另一个学习器的曲线完全"包住",则可断言后者的性能优于前者， 例如图中学习器A 的性能优于学习器C; 如果两个学习器的P-R 曲线发生了交叉7,例如图中的A 与B ，则难以一般性地断言两者孰优孰劣，只能在具体的查准率或查全率条件下进行比较然而，在很多情形下，人们往往仍希望把学习器A 与B 比出个高低. 这时一个比较合理的判据是比较P-R 曲线节面积的大小。

"平衡点"是"查准率=查全率"时的取值。

但更常用的使用F1来衡量查准率与查全率；

 

F1基于查准率与查全率的调和平均：

   sum为样例总数，

具体应用中可能对P和R有不同的倚重。比如商品推荐中，为了尽可能少打扰用户，更希望推荐内容确是用户感兴趣的，这时候查准率更重要。而在逃犯检索系统中，更希望尽可能少漏掉逃犯，此时查全率更重要。

F1度量的一般形式F_β（加权调和平均）就可以表达这种偏好。

 即  

ß = 1时退化为标准的F1,当β>1意味着P占比重更大，反之则是R。