准确度、精确度与召回率的概念

在分类任务中, 我们经常会对模型结果进行评估. 评估模型好坏的指标有AUC, KS值等. 这些指标基于预测概率计算. 同样利用混淆矩阵来计算准确率, 准确率和召回率. 下图是对混淆矩阵的介绍:

其中，

TP：样本为正，预测结果为正；

FP：样本为负，预测结果为正；

TN：样本为负，预测结果为负；

FN：样本为正，预测结果为负。

准确率、精准率和召回率的计算公式如下：

准确率（accuracy）： (TP + TN )/( TP + FP + TN + FN)

精准率（precision）：TP / (TP + FP)，正确预测为正占全部预测为正的比例

召回率（recall）： TP / (TP + FN)，正确预测为正占全部正样本的比例

F-measure：precision和recall调和均值的2倍。

通过图1展示了不同阈值设置下生成的一系列对应于两个分类评价指标的具体数值变化情况：横坐标表示不同的决策阈值取值范围；纵坐标分别代表相应的\text{precision}与\text{recall}指标值变化趋势曲