tp、true positive 真陽性：**為正，實際也為正
fp、false positive 假陽性：**為正，實際為負
fn、false negative 假陰性：**與負、實際為正
tn、true negative 真陰性：**為負、實際也為負
以分類問題為例：
真陽性的定義是「**為正，實際也是正」，這個最好理解，就是指**正確，是哪個類就被分到哪個類。對類a而言，tp的個位數為2，對類b而言，tp的個數為2，對類c而言，tp的個數為1。
假陽性的定義是「**為正，實際為負」，就是**為某個類，但是實際不是。對類a而言，fp個數為0，我們**之後，把1和2分給了a，這兩個都是正確的，並不存在把不是a類的值分給a的情況。類b的fp是2，"3"和"8"都不是b類，但卻分給了b，所以為假陽性。類c的假陽性個數為2。
假陰性的定義是「**為負，實際為正」，對類a而言，fn為2，"3"和"4"分別**為b和c，但是實際是a，也就是**為負，實際為正。對類b而言，fn為1，對類c而言，fn為1。
具體情況看如下**：
a
b
c
總計
tp22
15fp02
24fn21
14精確率是計算我們**某類樣本中，有多少是被正確**的，是針對樣本而言的
召回率是針對原來實際樣本而言的，看有多少樣本被正確**出來
套用網上的乙個例子：
某池塘有1400條鯉魚，300只蝦，300只鱉。現在以捕鯉魚為目的。撒一大網，逮著了700條鯉魚，200只蝦，100只鱉。那麼，這些指標分別如下：
精確率 = 700 / (700 +200 + 100) = 70%
召回率 = 700 / 1400 =50%
可以把上述的例子看成分類**問題，對於「鯉魚來說」，tp真陽性為700，fp假陽性為300，fn假陰性為700。
precison=tp/(tp+fp)=700(700+300)=70%
recall=tp/(tp+fn)=700/(700+700)=50%
將上述例子，改變一下：把池子裡的所有的鯉魚、蝦和鱉都一網打盡，觀察這些指標的變化。
精確率 = 1400 / (1400 +300 + 300) = 70%
召回率 = 1400 / 1400 =100%
tp為1400：有1400條鯉魚被**出來；fp為600：有600個生物不是鯉魚類，卻被歸類到鯉魚；fn為0，鯉魚都被歸類到鯉魚類去了，並沒有歸到其他類。
precision=tp/(tp+fp)=1400/(1400+600)=70%
recall=tp/(tp+fn)=1400/(1400)=100%
其實就是分母不同，乙個分母是**為正的樣本數，另乙個是原來樣本中所有的正樣本數。
作為**者，我們當然是希望，precision和recall都保持乙個較高的水準，但事實上這兩者在某些情況下有矛盾的。比如極端情況下，我們只搜尋出了乙個結果，且是正確的，那麼precision就是100%，但是recall就很低；而如果我們把所有結果都返回，那麼比如recall是100%，但是precision就會很低。因此在不同的場合中需要自己判斷希望precision比較高或是recall比較高，此時我們可以引出另乙個評價指標—f1-score(f-measure)。
f1分數（f1 score），是統計學中用來衡量二分類模型精確度的一種指標。它同時兼顧了分類模型的精確率和召回率。f1分數可以看作是模型精確率和召回率的一種加權平均，它的最大值是1，最小值是0。
數學定義：f1分數（f1-score），又稱為平衡f分數（balancedscore），它被定義為精確率和召回率的調和平均數
更一般的，我們定義fβ分數為：
除了f1分數之外，f0.5分數和f2分數，在統計學中也得到了大量應用，其中，f2分數中，召回率的權重高於精確率，而f0.5分數中，精確率的權重高於召回率
最後看micro-f1和macro-f1。在第乙個多標籤分類任務中，可以對每個「類」，計算f1，顯然我們需要把所有類的f1合併起來考慮。
這裡有兩種合併方式：
例如依照最上面的**來計算:precison=5/(5+4)=0.556,recall=5/(5+4)=0.556，然後帶入f1的公式求出f1，這種方式被稱為micro-f1微平均。
例如上式a類：p=2/(2+0)=1.0，r=2/(2+2)=0.5，f1=(2*1*0.5)/1+0.5=0.667。同理求出b類c類的f1，最後求平均值，這種正規化叫做macro-f1巨集平均。
**自：
評價指標 分類演算法中常用的評價指標
對於分類演算法，常用的評價指標有 1 precision 2 recall 3 f score 4 accuracy 5 roc 6 auc ps 不建議翻譯成中文，尤其是precision和accuracy，容易引起歧義。1.混淆矩陣 混淆矩陣是監督學習中的一種視覺化工具，主要用於比較分類結果和例...
分類器評價指標
by the way,classic post like 分類指標準確率 precision 和正確率 accuracy 的區別 精度和召回率是廣泛用於資訊檢索和統計學分類領域的兩個度量值，用來評價結果的質量。其中精度是檢索出相關文件數與檢索出的文件總數的比率，衡量的是檢索系統的查準率 召回率是指檢...
分類演算法評價指標
第一種分析準則 第二種分析準則 0.0 0.20極低的一致性 slight 0.21 0.40一般的一致性 fair 0.41 0.60 中等的一致性 moderate 0.61 0.80 高度的一致性 substantial 0.81 1幾乎完全一致 almost perfect 例如對於眼底影象...