一、定义
对于一个数据集的测试，一般会产生四种结果：TP、TN、FP、FN（T：true，表示正确；F：false，表示错误；P：positive；N：negative）
TP：true positive，正样本，预测为正样本；
TN：true negative，负样本，预测为负样本；
FP：false positive，负样本，预测为正样本；
FN：false negative，正样本，预测为负样本；
由上述概念可得到如下结果：
总样本数：TP+TN+FP+FN；
实际正/负样本数：TP+FN/TN+FP；
测量结果为正样本的数目：TP+FP；
测量结果为负样本的数目：TN+FN；
二、Recall（召回率）--实际为正样本的结果中测量正样本的比例（找的全【正样本】）
Recall用于评估算法对所有待检测目标的检测覆盖率，也就是计算实际正样本（TP+FN）中测量正样本中正确正样本（TP）的比例。其计算方式如下：
三、Precision（精确率）--测量为正样本的结果中实际正样本的比例（找的对【正样本】）
相比于Recall，Precision更好理解，用于评估算法对所有待测目标的正确率，也就是测量结果为正样本（TP+FP）中正确正样本（TP）的比例。其计算公式如下：
四、F1-Score（F-Measure，综合评价指标）
当Recall和Precision出现矛盾时，我们需要综合考虑他们，最常见的方法就是F1-Score，其实就是Precision和Recall的加权调和平均（P指代Precision，R指代Recall）：
当a=1，可以得到：
此处的F1-Score，个人理解我们可以通过调整参数侧重于P或是R的作用，使得F1-Score对于算法的评估考量更加全面
五、Accuracy(准确率)--测量正确的样本占总样本的比例
相比于前两者，Accuracy是一种很直观的评价标准，但准确率越高不等价于算法越好（在正负样本失衡的情况下，准确率存在很大的缺陷--e.g., 互联网推广中，某些广告点击量很少，也就是测量均为负样本（不点计量）在99%以上也没有任何意义）。
单纯利用Accuracy评价一个算法模型是远远不够的。
以上内容仅记录本人学习，如有错误之处，敬请指正！谢谢！
六、参考
召回率（recall）和精度（precision）_THE@JOKER的博客-CSDN博客_recall召回率
机器学习：准确率(Precision)、召回率(Recall)、F值(F-Measure)、ROC曲线、PR曲线_nana-li-DevPress官方社区 (csdn.net)
标签：FP,F1,Recall,样本,Precision,TP,Score,FN From： https://www.cnblogs.com/hjxiamen/p/16748427.html