分类器评估方法：精确度-召回率-F度量（precision-recall-F_measures）

注：本文是人工智能研究网的学习笔记

Precision和Recall都可以从下面的TP,TN,FP,FN里面计算出来。

几个缩写的含义：

缩写	含义
P	condition positive
N	condition negative
TP	true positive (with hit)
TN	true negative (with correct rejection)
FP	false positive (with false alarm, Type I error)
FN	false negative (with miss, Type II error)

TP： 我认为是真的，结果确实是真的
TN： 我认为是假的，结果确实是假的
FP： 我认为是真的，结果是假的
FN： 我认为是假的，结果是真的

T / F: 表名我预测的结果的真假
P / N: 表名我所认为的真仍是假

precision和recall的进一步解释

precision和accuracy的区别

简单的来讲，给定一组测量点的集合：

精确（precision）： 全部的测量点到测量点集合的均值很是接近，与测量点的方差有关。就是说各个点紧密的聚合在一块儿。

准确（accuracy）： 全部的测量点到真实值很是接近。与测量点的误差有关。

以上两个概念是相互独立的，所以数据点集合能够使accurate的，也能够使precise的，还能够都不是或者都是。

二元分类问题

from sklearn import metrics
y_pred = [0, 1, 0, 0]
y_true = [0, 1, 0, 1]
print(metrics.precision_score(y_true, y_pred))   # 1.0
print(metrics.recall_score(y_true, y_pred))     # 0.5

# beta值越小，表示越看中precision
# beta值越大，表示越看中recall
print(metrics.f1_score(y_true, y_pred))   # 0.666666666667
print(metrics.fbeta_score(y_true, y_pred, beta=0.5))  # 0.833333333333
print(metrics.fbeta_score(y_true, y_pred, beta=1))    # 0.666666666667
print(metrics.fbeta_score(y_true, y_pred, beta=2))    # 0.555555555556

将二元分类指标拓展到多类和或多标签问题中

from sklearn import metrics
y_pred = [0, 1, 2, 0, 1, 2]
y_true = [0, 2, 1, 0, 0, 1]
print(metrics.precision_score(y_true, y_pred, average='macro'))
print(metrics.recall_score(y_true, y_pred, average='micro'))    

print(metrics.f1_score(y_true, y_pred, average='weighted')) 
print(metrics.fbeta_score(y_true, y_pred, beta=0.5, average='macro'))  
print(metrics.precision_recall_fscore_support(y_true, y_pred, beta=0.5, average=None))