注：本文是人工智能研究網的學習筆記
Precision和Recall都能夠從下面的TP,TN,FP,FN里面計算出來。
幾個縮寫的含義：
| 縮寫 | 含義 |
|---|---|
| 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： 我認為是真的，結果確實是真的
TN： 我認為是假的，結果確實是假的
FP： 我認為是真的，結果是假的
FN： 我認為是假的，結果是真的
T / F: 表名我預測的結果的真假
P / N: 表名我所認為的真還是假
precision和recall的進一步解釋
precision和accuracy的區別
簡單的來說，給定一組測量點的集合：
精確（precision）： 所有的測量點到測量點集合的均值非常接近，與測量點的方差有關。就是說各個點緊密的聚合在一起。
准確（accuracy）： 所有的測量點到真實值非常接近。與測量點的偏差有關。
以上兩個概念是相互獨立的，因此數據點集合可以使accurate的，也可以使precise的，還可以都不是或者都是。
二元分類問題
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
將二元分類指標拓展到多類和或多標簽問題中
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))
