机器学习的精确率P,召回率R和F-score

数据集中 ： 正例 反例

我们的预测 正例 ： A B

我们的预测 反例 ： C D

精确率P：就是A/(A+B)，通俗化意思是“我们的预测有多少是对的”；

召回率R：就是A/(A+C) 通俗化意思是“正例里我们的预测覆盖了多少”；

F-score=（2*P*R）/(P+R)。

举个例子：

假设我们手上有100个正样本，50个负样本，我们要找出所有的正样本，系统查找出80个，其中只有60个是真正的正样本，计算上述各指标。

TP: 将正类预测为正类数 60

FN: 将正类预测为负类数 40

FP: 将负类预测为正类数 20

TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 60%；

精确率(precision) = TP/(TP+FP) = 75%；

召回率(recall) = TP/(TP+FN) = 60%；

引用知乎上某匿名用户的话（清楚直白）：

**假设一共有10篇文章，里面4篇是你要找的。
根据你某个算法，你认为其中有5篇是你要找的，但是实际上在这5篇里面，只有3篇是真正你要找的。
那么你的这个算法的precision是3/5=60%，也就是，你找的这5篇，有3篇是真正对的，
这个算法的recall是3/4=75%，也就是，一共有用的这4篇里面，你找到了其中三篇。**

**比如王老板在100个人（有人才和普通人）中出选人才，王老板的方法不能100%的把人才和普通人区分开来。那么就会有一些人才被当作是普通人，一部分普通人被认为是人才的情况出现。这个时候精确率就是王老板选出来的人才中有多少是真正的人才，这个是关于有多少普通人“滥竽充数”的问题，精确率越高说明普通人“滥竽充数”的就越少，即滥竽充数的越少。召回率就是说有多少人才被埋没的问题了。本来是人才，结果被当成普通人。召回率越高说明人才被当成普通人的就越少，即人才流失越少。**
作者：匿名用户