我对准确率、p值、召回率R值及F值的理解

在互联网广告的推荐系统及反作弊实践过程中，常常会接触到准确率、召回率以及F值等评估指标。初入行时，我常常对这些概念感到混淆，直到后来才逐步理清其含义。

举个例子！

假设我们使用一个模型来识别某段时间内的作弊流量，假定这段时间内的总流量为100个，其中存在25个作弊样本，75个非作弊样本。此处我们将非作弊流量定义为正样本。

接着我们采用LSTM模型进行预测，结果显示有70个被判定为非作弊流量。经过核查发现，在这70个预测结果中，有69个确实是正样本，而1个则是误判的负样本。

在该例中，精确率P=69/70（即被预测为正样本且实际也为正样本的数量除以所有被预测为正样本的数量）。

召回率R=69/75（即所有实际为正样本中被正确识别的比例）。

关于F值：

或许有人会产生疑问，在已有召回率和准确率这两个评估指标的前提下，为何还需要引入F值这一综合评价标准？

正如高中政治老师所言，“存在即合理”，既然F值被广泛使用，则必然有其存在的价值与意义，哈哈！

在模型评估过程中，我们当然希望精确率和召回率都能达到较高的水平。然而，在某些情况下这两者之间可能存在矛盾关系。

例如在我的这个案例中就出现了这种情况。因此为了更全面地衡量模型性能，便引入了F值作为综合评价指标。

F=（2PR）/(P+R)

实际上我对这个公式并不容易记住，在实际操作中更多时候只