【机器学习】性能评测：分类常用

  在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。目前常常采用的评价指标有准确性(Accuracy)、召回率(Recall)、精确率(precision)、F值(F-Measure)等。本文就水水的介绍一下这些指标。

• 1.准确性(Accuracy)：在分类问题中，预测值与测试集原本正确值进行对比，计算样本预测正确的百分比，这个百分比就是准确性。
    然而，有些实际问题中（分类），往往会关注模型对某一特定类别的预测能力。这个时候，准确性就不是很好的选择了。比如经典的“良/恶性肿瘤预测任务”里，往往会关系恶性肿瘤的诊断概率。也就是说，在这样一个二分类（A-Positive、B-Negative）问题中，存在真A判A（TP-True Positive）、真A判B（FN-False Negative）、真B判B（TN-True Negative）、真B判A（FP-False Positive）四种可能性。
• 2.召回率(Recall)：覆盖面的度量，度量有多个正例被分为正例
• 3.精确率(precision)：被分为正例的示例中实际为正例的比例

召回率和精确率的区别在于分母不同，召回率的分母是TP+FN，精确率的分母是TP+FP

• 4.F1指标（F1 measure）：召回率和精确率的调和平均数（2/（1/precision + 1/Recall））