准确率、精确率、召回率、F1-score 概念、计算原理
准确率、精确率、召回率、F1-score 概念、计算原理
在机器学习和数据科学领域，评估模型的性能是至关重要的一步。准确率、精确率、召回率和F1-score是常用的评估指标，它们从不同角度反映了模型的预测效果。本文将详细介绍这些指标的概念、计算方法及其在实际应用中的权衡关系。
一、 TP、TN、FN、FP 概念
在介绍准确率、精确率、召回率和F1-score之前，我们先来理解四个基本概念：真正例（True Positives, TP）、假正例（False Positives, FP）、假负例（False Negatives, FN）和真负例（True Negatives, TN）。
- TP（True Positives)：真正例，即正例预测为真（预测为正例而且实际上也是正例）；
- FP（False Positives)：假正例，即负例预测为真（预测为正例然而实际上却是负例）；
- FN（false Negatives)：假负例，即正例预测为假（预测为负例然而实际上却是正例）；
- TN（True Negatives)：真负例，即负例预测为假（预测为负例而且实际上也是负例）。
二、准确率、精确率、召回率、F1-score计算
1.准确率（accuracy）
准确率是所有预测正确的样本（包含正例或负例均预测正确，即正例预测为正TP或负例预测为负TN）占总样本的比例。它是衡量模型整体预测能力的一个重要指标。
2.精确率（查准率，precision)
精确率是预测为真的正例样本（TP）与全部预测为真的样本（对于预测而言，包括真正例TP，假正例FP）的比值。即正确预测为正的占全部预测为正的比例，（真正正确的占所有预测为正的比例）。
3、召回率（也叫查全率，recall）
召回率是预测为真的正例（TP）占全部实际为正例的样本（可能将实际正例预测为正例即真正例TP，也可能实际正例预测为负例即假负例FN）的比例（真正正确的占所有实际为正的比例）。
4、F1-score
精确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求精确率高，则召回率就低；追求召回率高，则通常会影响精确率。我们当然希望预测的结果精确率越高越好，召回率越高越好，但事实上这两者在某些情况下是矛盾的。这样就需要综合考虑它们，最常见的方法就是F-score。
F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。
一般来说准确率和召回率呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。一般来说，精确度和召回率之间是矛盾的，这里引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。F1是精确率和召回率的调和平均。F1-score越大说明模型质量更高。
学习参考文档：https://blog.csdn.net/qq_39506862/article/details/129157576