前言

分类问题是数学建模和大数据竞赛中几大常见题型之一。评价分类效果的指标有错误率、精度、准确率（precision，也称之查准率）、召回率（recall，也称之查全率）、F1-Score、ROC曲线、AUC和对数损失（logloss）等。这些指标都可以评价一个模型的好坏，其之间也有许多关联，需要针对具体题目场景来选择评价指标。本节主要介绍错误率、精度、准确率、召回率、F1值这几种评价指标。

1 错误率与精度

在分类问题中，错误率是分类结果错误的样本数占样本总数的比例，精度则是分类结果正确的样本数占样本总数的比例。即，错误率 = 1–精度。

2 准确率与召回率

2.1 混淆矩阵

以二分类问题为例，介绍一个重要的定义：混淆矩阵，如下图所示
在这里插入图片描述
假设A类为Positive，正例（阳性）；B类为Negative，反例（阴性），则

Ture Positive（TP）：预测对了（T），预测结果为A（阳性-P），原类别为A；
False Positive（FP）：预测错了（F）,预测结果为A（阳性-P）,原类别为B；
False Negative（FN）：预测错了（F）,预测结果为B（阴性-N），原类别为A；
Ture Negative（TN）：预测对了（T），预测结果为B（阴性-N）,原类别为B。
总而言之，混淆矩阵的字母代表该次预测的对的还是错的（T/F）和预测结果是正例还是反例（P/N），进而就可以推断原来的类别是什么。（比如FN，预测的是类别B，预测错了，那原来的类别就是A）

2.2 准确率（Precision）

准确率（Precision）是指被分类器判定为正类的样本中真正的正类样本所占的比重，即被分类器判为正类的所有样本中有多少是真正的正类样本，其公式定义见以下公式
在这里插入图片描述

2.3 召回率（Recall）

召回率是指被分类器正确判定的正类样本占总的正类样本的比重，即所有正类样本中有多少被分类器判为正类样本，定义如以下公式：
在这里插入图片描述

3 F1值（F1-score）

准确率和召回率反映了分类器性能的两个方面，单依靠其中一个并不能较为全面地评价一个分类器的性能。一般来说，鱼与熊掌不可兼得，你的准确率越高，召回率越低；反之，召回率越高，准确率越低。继而为了平衡准确率和召回率的影响，较为全面地评价一个分类器，便有了 F1-score 这个综合了这两者的指标。
在这里插入图片描述

4 代码实现

构建一个计算准确率、召回率和 F1-score 的评价代码也很简单，具体实现代码如下：

假设有A类样本10个，B类样本5个，A类样本用1表示，B类样本用0表示。
正确预测A类样本7个，正确预测B类样本3个
所以混淆矩阵的具体表示如下：
准确率 Precision = TP/(TP+FP) = 7/(7+2) = 0.78
召回率 Recall = TP/(TP+FN) =7/(7+3) = 0.7
F1值 F1 = 2PrecisionRecall/(Precision+Recall) = 0.74

以下为代码实现：

from sklearn.metrics import precision_score, recall_score, f1_score
# 假设有A类样本10个，B类样本5个
y_train = [1,1,1,1,1,1,1,1,1,1,0,0,0,0,0]
# 正确预测A类样本7个，正确预测B类样本3个
y_pred = [1,1,1,1,1,1,1,0,0,0,1,1,0,0,0]precision = precision_score(y_train, y_pred)
recall = recall_score(y_train, y_pred)
f1 = f1_score(y_train, y_pred)print('准确率为：', precision)
print('召回率为：', recall)
print('F1值为：', f1)