评价标准：精确率-召回率-F1_评价标准 f1-CSDN博客

本文详细介绍了精确率、召回率的概念及其计算方式，它们分别衡量预测正样本的准确性与原始正样本被正确预测的比例。同时，讨论了两者之间的矛盾，并引出了F1-Score作为兼顾两者性能的指标。通过一个实例展示了如何计算这些指标，帮助理解它们在实际问题中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

精确率（precision）是针对我们预测结果而言的。
表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是：预测正确的样本占所有预测样本的概率
在这里插入图片描述

召回率（recall）是针对我们原来的样本而言的
表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。
在这里插入图片描述

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数

（precision：精确率），（recall：召回率）
从上面的P和R的公式中，很容易发现，两者的存在可能会有一定的矛盾，很难实现双高的情况，为了兼顾这两个指标，我们提出了F1-Score：
在这里插入图片描述

F1-Score综合了precision和recall,其值越高，通常表示算法性能越好。

假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40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 40
● FN: 将正类预测为负类数 20
● FP: 将负类预测为正类数 10
● 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) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3