分类模型评估指标

(True Positive , TP)：被模型预测为正的正样本。

(False Positive , FP)：被模型预测为正的负样本。

(False Negative , FN)：被模型预测为负的正样本。

(True Negative , TN)：被模型预测为负的负样本。

 

Recall召回率：真正预测为正样本的样本数占实际正样本的样本数的比率

Precision精确率：真正预测为正样本的样本数占所有预测为正样本的样本数的比例

Accuracy准确率：预测正确的样本占所有样本的比率

F1-core：精确率Precision和召回率Recall的加权调和平均值

Micro-F1：（多分类F1-core）计算总体类别的recall和precision，再算F1；

Macro-F1：（多分类F1-core）对所有类别的的F1-core求平均；

 

在二分类问题中，计算micro-F1=macro-F1=F1-score，micro-F1和macro-F1都是多分类F1-score的两种计算方式 

 

micro f1= 总体（precision）=总体（recall）

 

macro f1=(F1a+F1b+F1c)/3（即每一类的F1求平均）

 

 

 

标签：F1,样本,预测,core,样本数,模型,分类,micro,评估
来源： https://www.cnblogs.com/xiaowa/p/15397715.html