最近在看機器學習的，要理解准確率、精確率、召回率的含義，首先要理解 TP、FN、FT 和 TN 的含義。 TP、FN、FT 和 TN 這幾個概念一直搞得不太清楚。記錄一下。看了別人的文章，舉的例子不是太好，不太容易理解 。
假設有100個人，實際上50個人喝酒了，50個人沒喝。我們有一個判定是否喝酒的模型，通過這個模型我們的判定結果如下：
60個人喝了（其中 40 個人是真正喝了酒的）； 40 個人沒喝（其中10個人其實是喝了的）。
那么前面 4個名詞中，第一個字母 T 和 F 表示的意思是我們預測的是不是正確。預測是喝了酒的為 P，預測沒喝酒的為N。那么此例中這個概念的混淆矩陣如下：
TP： 預測喝了酒（P），實際喝了酒，預測正確（T）
FP： 預測喝了酒（P），實際沒喝酒，預測錯誤（F）
FN： 預測沒喝酒（N），實際喝了酒，預測錯誤（F）
TN： 預測沒喝酒（N），實際沒喝酒，預測正確（T）
那么：
准確率（Accuracy）： 就是判斷正確的占總數的比例。
Accuracy=（TP+TN） / （TP+FP+TN+FN) = (40+30)/100 = 70%
雖然准確率能夠判斷總的正確率，但是在樣本不均衡的情況下，並不能作為很好的指標來衡量結果。
比如在樣本集中，正樣本有90個，負樣本有10個，樣本是嚴重的不均衡。對於這種情況，我們只需要將全部樣本預測為正樣本，就能得到90%的准確率，但是完全沒有意義。對於新數據，完全體現不出准確率。因此，在樣本不平衡的情況下，得到的高准確率沒有任何意義，此時准確率就會失效。所以，我們需要尋找新的指標來評價模型的優劣。
精確率（Precision）： 是針對預測結果而言的，其含義是在被所有預測為正的樣本中實際為正樣本的概率。精確率代表對正樣本結果中的預測准確程度。
P=TP / （TP+FP） = 40/(40+20) = 66.7% 此例中表示預測喝酒的人數中有多少人是真正喝酒的比例。
召回率（Recall）： 召回率是覆蓋面的度量。衡量了分類器對正例的識別能力。也叫查全率。
R=TP / （TP+FN）= 40/(40+10) = 80% 此例中表示我們預測出的喝酒的人數占真正喝酒的人數的比例。
綜合評價指標：
精確率和召回率又被叫做查准率和查全率，可以通過P-R圖進行表示
如何理解P-R(精確率-召回率)曲線呢？或者說這些曲線是根據什么變化呢？
以邏輯回歸舉例，其輸出值是0-1之間的數字。因此，如果我們想要判斷用戶的好壞，那么就必須定一個閾值。比如大於0.5指定為好用戶，小於0.5指定為壞用戶，然后就可以得到相應的精確率和召回率。但問題是，這個閾值是我們隨便定義的，並不知道這個閾值是否符合我們的要求。因此為了尋找一個合適的閾值，我們就需要遍歷0-1之間所有的閾值，而每個閾值都對應一個精確率和召回率，從而就能夠得到上述曲線。
根據上述的P-R曲線，怎么判斷最好的閾值點呢？首先我們先明確目標，我們希望精確率和召回率都很高，但實際上是矛盾的，上述兩個指標是矛盾體，無法做到雙高。因此，選擇合適的閾值點，就需要根據實際問題需求，比如我們想要很高的精確率，就要犧牲掉一些召回率。想要得到很高的召回率，就要犧牲掉一些精准率。因此我們就需要綜合考慮他們，最常見的方法就是F-Measure（又稱為F-Score）。
F-Measure是Precision和Recall加權調和平均：
當a 取 1時，就是 F1分數(F1-Score)。F1分數同時考慮精確率和召回率，讓兩者同時達到最高，取得平衡。
另外 Roc 、AUC 曲線見 https://weizhixiaoyi.com/archives/275.html