机器学习中F1 score的理解

机器学习中对于模型正确率的预估

在机器学习中模型的好坏的评估可以从几个指标入手：

精确率和召回率是对于分类任务来说的

用P代表我们预测的正类，N代表我们预测的负类，T代表真正的正类，F代表真正的负类

1. 精确率(将正类样本预测成正类样本的个数对上全部预测为正类样本的比例)

精确率就是预测正确的结果中，有多少是真正正确的，也就是预测正确的样本中，有多少是正确的对上你认为正确的样本数

1. 召回率(将正类样本预测成正类样本的个数对上全部真正正确的样本的比例)

召回率就是全部正确的样本中有多少被识别了出来

可以通过一个比喻来理解

比如我们有一群外出的鸭子，晚上没有回家，全部都跑到别人家里和别人家的鸭子混在了一起，现在我们要从一大群鸭子里面找出我们家的鸭子，这群鸭子中，有我们的也有别人的，总共鸭子有200只，我们从里面找出来一群鸭子假设为(100只)，以为全部都是我们家的，剩下的100只是别人家的，然后仔细看了一下，里面只有80只，是我们家的，其他都是别人家的，这样我们的准确率就只有80/100也就是0.8，这个时候我爸来说我们家总共有120个鸭，这样我们的召回率就只有80/120也就是0.67左右了，我们列个表格看一下

预测	Predict True	Predict False
实际正类	80	40
实际负类	20	60

一般情况下要高的召回率的话，我们可以把全部鸭子都说成是我们家的，这样召回率就很高了，但是，准确率却特别低，所以我们一般不直接使用准确率和召回率来对算法做评估，而是使用F1 scores来评判

F1 scores就是模型的准确率和召回率的调和平均数