=Start=
缘由：
在做数据分析的时候应该是绕不开这几个评价指标的，但是我之前还真的是不太懂。。。抽时间找点资料学习一下。苦练基本功！
正文：
参考解答：
1、准确率与召回率（Precision & Recall）
准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。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。
而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。
其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。
在信息检索领域，准确率和召回率又被称为查准率和查全率：
(准确率) 查准率＝检索出的相关信息量 / 检索出的信息总量
(召回率) 查全率＝检索出的相关信息量 / 系统中的相关信息总量
=
假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。
TP: 将正类预测为正类数 40
FN: 将正类预测为负类数 20
FP: 将负类预测为正类数 10
TN: 将负类预测为负类数 30
- 精确率(accuracy)= 预测对的/所有= (TP+TN)/(TP+FN+FP+TN) = 70%
- 准确率(precision)= TP/(TP+FP)= 80%
- 召回率(recall)= TP/(TP+FN)= 2/3
召回率 (Recall)：正样本有多少被找出来了（召回了多少）。
准确率 (Precision)：你认为的正样本，有多少猜对了（猜的准确性如何）。
两者取值在0和1之间，数值越接近1，查准率或查全率就越高。
2、综合评价指标（F-Measure）
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（又称为F-Score）。
F-Measure是Precision和Recall加权调和平均：
F = (a*a + 1)PR / a*a*(P+R)
当参数α=1时，就是最常见的F1，也即：
F1 = (2*P*R) / (P+R)
可知F1综合了P和R的结果，当F1较高时则能说明试验方法比较有效。
参考链接：
- 如何解释召回率与准确率？
https://www.zhihu.com/question/19645541 - 谈谈召回率（R值），准确率（P值）及F值
https://zhuanlan.zhihu.com/p/26387920 - 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
http://bookshadow.com/weblog/2014/06/10/precision-recall-f-measure/ - 分类 (Classification)：精确率和召回率
https://developers.google.com/machine-learning/crash-course/classification/precision-and-recall?hl=zh-cn - 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
https://blog.argcv.com/articles/1036.c - 准确率（accuracy）、精确率（precision）、召回率（recall）
https://blog.csdn.net/Cheese_pop/article/details/78228156 - 机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线
https://blog.csdn.net/quiet_girl/article/details/70830796 - 机器学习模型的衡量不止准确率，还有精度和召回率
https://www.jiqizhixin.com/articles/2018-03-17-5 - F1值
https://wikipedia.org/wiki/F1_score
=END=
《 “准确率、召回率、F-Measure等指标的理解” 》 有 3 条评论
分类 (Classification)：ROC 和曲线下面积
https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc
`
ROC 曲线（Receiver Operating Characteristics curve, 接收者操作特征曲线）是一种显示分类模型在所有分类阈值下的效果的图表。该曲线绘制了以下两个参数：
– 真正例率
– 假正例率
AUC (ROC 曲线下面积, Area under the ROC Curve)
曲线下面积的取值范围为 0-1。预测结果 100% 错误的模型的曲线下面积为 0.0；而预测结果 100% 正确的模型的曲线下面积为 1.0 ，即，AUC的值越大越好——表示预测结果越精确。
曲线下面积因以下两个原因而比较实用：
曲线下面积的尺度不变。它测量预测的排名情况，而不是测量其绝对值。
曲线下面积的分类阈值不变。它测量模型预测的质量，而不考虑所选的分类阈值。
`
11个机器学习的模型评估指标
https://www.afenxi.com/71704.html
`
概述：
评估模型是构建有效机器学习模型的核心部分。
有几种评估指标，如混淆矩阵，交叉验证，AUC-ROC曲线等。
不同的评估指标用于不同类型的问题。
混乱矩阵
F1得分
增益和提升图表
Kolmogorov Smirnov图表
AUC – ROC
记录丢失
基尼系数
协调 – 不和谐比率
均方根误差
交叉验证（虽然不是指标！）
`
机器学习中的评价指标
https://mp.weixin.qq.com/s/UQgs0suLrRZXGh7Y7_uS9A
`
正确率（Accuracy）：也即准确率，识别对了的正例（TP）与负例（TN）占总识别样本的比例。
错误率（Error-rate）：识别错了的正例（FP）与负例（FN）占总识别样本的比例。
精度（Precision）：识别对了的正例（TP）占识别出的正例的比例。其中，识别出的正例等于识别对了的正例加上识别错了的正例。
召回率（Recall）：识别对了的正例（TP）占实际总正例的比例。其中，实际总正例等于识别对了的正例加上识别错了的负例（真正例+伪负例）。
精度-召回率曲线（PR曲线）
实际中，精度与召回率是相互影响的。通常，精度高时，召回率就往往偏低，而召回率高时，精度则会偏低。这其实也很好理解，前面我们说了，精度即查准率，召回率即查全率，要想查得精准（一查一个准），即模型给出的目标都正确，那就得提高阈值门槛，阈值一提高，符合要求的目标就会减少，那必然会导致漏网之鱼增多，召回率降低。
相反，若想召回率高，没有漏网之鱼（目标都找到），就要降低阈值门槛，才能把所有目标收入囊中，与此同时会揽入一些伪目标，从而导致精度降低。
AP（Average Precision）值
PR曲线下的面积称为AP（Average Precision），表示召回率从0-1的平均精度值。
mAP（Mean Average Precision）值
综合评价指标F-Measure
ROC曲线与AUC
IoU（Intersection-over-Union）指标
Top1与TopK
`