在分类任务中，各指标的计算基础都来自于对正负样本的分类结果，用混淆矩阵表示。
|
真实情况 |
预测结果 | |
|
正例 |
反例 | |
|
正例 |
TP |
FN |
|
反例 |
FP |
TN |
其中：TP、TN、FP、FN的含义：
TP（True Positives）预测为正样本，并且预测对了（真阳性）
TN（True Negatives）预测为负样本，而且预测对了（真阴性）
FP（False Positives）预测为正样本，但是预测错了（假阳性）
FN（False Negatives）预测为负样本，但是预测错了（假阴性）
假如模型对20个样本进行预测，结果如下：
预测值 0 0 0 0 1 0 1 0 1 0 1 0 1 1 0 1 1 1 0 1
真实值 0 0 1 1 1 1 1 0 1 0 0 0 0 1 0 1 1 1 1 0
|
预测值=1 |
预测值=0 | |
|
真实值=1 |
7 |
4 |
|
真实值=0 |
3 |
6 |
|
预测值=1 |
预测值=0 | |
|
真实值=1 |
TP |
FN |
|
真实值=0 |
FP |
TN |
1、精度(Accuracy)
|
Accuracy = |
TP TN |
|
TP FN FP TN |
即所有分类正确的样本占全部样本的比例。
|
Accuracy = |
7 6 |
|
7 4 3 6 |
计算：Accuracy=13/20=0.65=65%
2、精确率,精准率又叫做：Precision、查准率
|
Precision = |
TP |
|
TP FP |
即预测是正例的结果中，确实是正例的比例。
|
Precision = |
7 |
|
7 4 |
计算：Precision=7/10=0.7=70%
3、召回率,召回率又叫：Recall、查全率
|
Recall= |
TP |
|
TP FN |
即所有正例的样本中，被找出的比例
|
Recall= |
7 |
|
7 3 |
计算：Recall=7/11≈0.6364≈63.64%
4、P-R曲线，P-R曲线又叫做：PRC
根据预测结果将预测样本排序，最有可能为正样本的在前，最不可能的在后，依次将样本预测为正样本，分别计算当前的精确率和召回率，绘制P-R曲线。
PRC曲线图
,
