精准度，召回率，准确率：机器学习中关于样本和预测的几个概念

先看一个简单的应用场景：

查询的图片编号为 ：c1,c2,c3,c9,c0

样本库中的编号为：s1,s2,s3,s4,s5,s6,s7,s8,

实际情况对应为:

c1–s1 , c2–s2 , c3–s3

c9和c0 没有对应

通过模型判定的情况是：

情况A ： 查c1 ,模型给出 s1 , —-> 能查到的图片，查到了，—-> 术语 TP

情况B： 查c2 ,模型给出 s7 , —-> 能查到的图片，没查到，—-> 术语 FP

情况C ：查c9 ,模型没有输出 —-> 不能查到的图片，没查到 —-> 术语 TN

情况D ：查c0 ,模型给出s8 , —-> 不能查到的图片，查到了—–> 术语 FN

术语的详解 TP/TN/FP/FN （形容样本属性 和预测结果的判定 ）

True Positive (TP): “真正” 指被model预测为正的正样本，即判断为真的正确率

True Negative(TN): “真负” 指被model预测为负的负样本，即判断为假的正确率

False Positive(FP): “假正” 指被模型预测为正的负样本，即误报率

False Negative(FN): “假负” 指被模型预测为负的正样本，即漏报率

理解方式：

1. Positive/Negative是用来形容样本的

以图片查找为例，能在图片中查找到为 Positive（c1,c2,c3） ，不能查到到为Negative(c9,c0)

2. True/False 是用来形容模型发的预测结果的

以图片查找为例：

- 能在图片中查到，通过模型也查到了，为True，情况A

- 不能在图片中 查到，通过模型也没有查到，为True ,情况C

- 能在图片中查到，通过模型却没有查到，为False，情况B

- 不能在图片中查到，通过模型却查到了，为False ,情况D

三个衡量指标

精准度（precision）:

P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重。

都是针对正样本，正样本中通过模型判定正确的比例。

在样本中能够查询到图片中，通过模型真的能查询到的比例。

召回率(Recall):

R=TP/(TP+FN) = 1- FN/T 指的是被预测为正例的占总的正例的比重。

通过模型预测为正的结果中，有多少实际为正的比例。

准确率(Accuracy):

A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN); 反映了分类器对整个样本的判定能力。

也就是说能将正的判定为正，负的判定为负占整个样本的比例。

本文同步发行在简书上 https://www.jianshu.com/p/3444f24eea51