-	相关(Relevant),正类	无关(NonRelevant),负类
被检索到(Retrieved)	true positives(TP 正类判定为正类)	false positives(FP 负类判定为正类)
未被检索到(Not Retrieved)	false negatives(FN 正类判定为负类)	true negatives(TN 负类判定为负类)

准确率(Accuracy)

$A＝\frac{TP + TN} { P + N}$A＝P+NTP+TN​
对于给定的测试数据集，分类器正确分类的样本数与总样本数之比

精确率(precision)

$P = \frac{TP}{TP+FP}$P=TP+FPTP​
计算的是所有"正确被检索的item(TP)"占所有"实际被检索到的(TP+FP)"的比例

预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的

Precision又称为查准率

召回率(recall)

$R = \frac{TP}{TP+FN}$R=TP+FNTP​
计算的是所有"正确被检索的item(TP)"占所有"应该检索到的item(TP+FN)"的比例

样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的

Recall又称为查全率

F1-measure值

就是精确值和召回率的调和均值

$\frac{2}{F_1} = \frac{1}{P} + \frac{1}{R}$F1​2​=P1​+R1​

调整下也就是

$F_1 = \frac{2PR}{P+R} = \frac{2TP}{2TP + FP + FN}$F1​=P+R2PR​=2TP+FP+FN2TP​

将F-measure一般化

$F_a = \frac{(a^2 + 1 )PR}{a^2(P+R)}$Fa​=a2(P+R)(a2+1)PR​

当 $a = 1$a=1 时， $F_1 = F_a$F1​=Fa​

F1-measure认为精确率和召回率的权重是一样的,但有些场景下,我们可能认为精确率会更加重要,调整参数a,使用Fa-measure可以帮助我们更好的evaluate结果.

总结

准确率就是找得对，召回率就是找得全

参考：

1. 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
2. 准确率（Precision）、召回率（Recall）以及综合评价指标（F1-Measure ）