在进行了解这些指标之前，我们先看一下图1：
图中有四种分类：
（真阳性）TP：被模型预测为正的正样本；将正类预测为正类；
（假阳性）FP：被模型预测为正的负样本; 将负类预测为正类；
（假阴性）FN：被模型预测为负的正样本；将正类预测为负类；
（真阴性）TN：被模型预测为负的负样本；将负类预测为负类；
有时候，我们很容易被这四类给搞混，那么如何好记一下呢？
我们把T/F记为1，P/N记为2。
2代表的是：模型的预测结果—模型对我们这个样本，最后预测出来，是正例还是负例。
1代表的是：模型的预测结果是否正确。
接下来，我们看一下一张图片，这张图片是送入分类器之后，判断每一张图片的内容是不是汉堡：
根据上图，我们可以对图1进行填空：TP=1，FP=2，FN=1，TN=5。这样，我们得到了这样的四个数，而这四个数，便组成了图1中的混淆矩阵。图1展示的是一个二分类问题，而关于三分类、四分类….N分类问题，与其类似。我们会分别得到，一个3×3，4×4…NxN的矩阵。
继续以上述数据为例，
我们在得到分类器A的同时，又获得了另一个分类器B的数据。那么，我们想通过一些指标判断，哪个分类器指标更好。这就需要用到我们即将说到的指标了(下述公式以图A中的数据为例进行计算）。
1.准确率Accuracy—分类器到底分对了多少？
2.精确率Precision—返回的图片中正确的有多少？
3.召回率Recall—有多少张应该返回的图片没有找到？
4.F1值—Precision与Recall的调和平均。
Original: https://blog.csdn.net/xianghu_5/article/details/124870942
Author: Okay灬
Title: 分类模型的评估指标（1）–Accuracy、Precession、Recall、F1score的计算公式
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/663758/
转载文章受原作者版权保护。转载请注明原作者出处！