准确率（accuracy）、召唤率(recall)和精确率（precision）

一、概述

召回率、准确率、精确率、F值的作用：

在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。

二、定义

首先给出一个大家经常见到的图：
混淆矩阵

假正：实际——负例
假负：实际——正例

详细定义

1.准确率

(accuracy)=(TP+TN)/(TP+FN+FP+TN) 【正确的/总的】
通俗解释： 在所有样本中，预测正确的概率

2. 精确率

(precision)=TP/(TP+FP) 【真正/预测正】
通俗解释：你认为的正样本中，有多少是真的正确的概率

3. 召回率

(recall)=TP/(TP+FN) 【真正/实际正】
通俗解释：正样本中有多少是被找了出来

4.F1

P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure。

当参数α=1时，就是最常见的F1，也即

ROC，AUC

1.FPR——x轴 （伪阳率）

【假正/实际负】
从负例中随便拿一个，被错误估计成正例的概率
越小越好

2.recall——y轴 （真阳率）

(recall)=TP/(TP+FN) 【真正/实际正】
通俗解释：正样本中有多少是被找了出来

3.ROC曲线

ROC曲线的横轴是FPRate，纵轴是TPRate，

当二者相等时，即y=x，表示的意义是：
对于不论真实类别是1还是0的样本，分类器预测为1的概率是相等的。
换句话说，分类器对于正例和负例毫无区分能力，

而我们希望分类器达到的效果是：
对于真实类别为1的样本，分类器预测为1的概率（即TPRate），要大于真实类别为0而预测类别为1的概率（即FPRate），即y＞x，因此大部分的ROC曲线长成下面这个样子：

4.AUC

ROC曲线的面积
通常（0.5~0.8）
小于0.5看正负标签是否需要转换，或者模型太差。。。