标签：frac recall precision TP 指标 beta Measure 评价

衡量二分类模型精度的一种指标，兼顾了分类模型的精确率（precision）和召回率（recall）。是精确率和召回率的调和平均数，最大为 1，最小为 0

precision & recall

二分类问题分类的结果有下面的几种情况：

预测\真实	正例	反例
正例	预测正确（True Positive）	错误的将其他类预测为本类（False Positive）
反例	本类标签预测成其他类（False Nagtive）	预测反例正确（True Negative）

上面的各种预测情况可以简写成

\[TP+FP+TN+FN = 样例总数 \]

有两个重要的衡量指标，分别是：

1. precision：又叫精准度/查准度，指分类器预测为正例中分类正确的比例

\[{precision}_{k} = \frac{TP}{TP + FP} \]

2. recall：召回率/查全率，被预测为正例的样本占真实正例的比重

\[\text{recall} = \frac{TP}{TP+FN} \]

3. accuracy

\[\text{accuracy} = \frac{预测正确数量}{样本总数量} = \frac{TP+TN}{TP+TN+FP+FN} \]

为什么需要 F-Measure

一般来说，查准率高是，查全率往往偏低；而查全率高时，查准率往往偏低（要使查准率高，最容易的事情就是将所有的样本都判定为正类，那就会误报很多）。\(F-Measure\) 可以在查准率和查全率之间取得一个平衡。

\[F_{\beta} = (1+\beta) \cdot \frac{precision \cdot recall}{\beta^2 precision + recall} \]

\(\beta\) 代表 precision 的重要程度是 recall 的 \(\beta\) 倍。

当 \(\beta = 1\) 时，就得到了 \(F_{1}\)。

\[F_{1}=2\cdot\frac{p r e cisi o n\cdot r e c a l l}{p r e cisi o n+r e c a l l} \]

应用

• [[IMDL中的F-Measure]]

参考资料

• F1 score F1分数 - 知乎

标签：frac,recall,precision,TP,指标,beta,Measure,评价
From： https://www.cnblogs.com/kelf/p/18361548