¶机器学习评价指标-精确率和召回率（precision-recall）
信息检索中Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了，衡量的检索系统的查全率。
- True Positive(真正, TP)：将正类预测为正类数.
- True Negative(真负 , TN)：将负类预测为负类数.
- False Positive(假正, FP)：将负类预测为正类数 → 误报 (Type I error).
- False Negative(假负 , FN)：将正类预测为负类数 → 漏报 (Type II error).
¶准确率-Accuracy
预测正确的结果占总样本的百分比，公式如下：
$$
acc = \frac{TP+TN}{TP+TN+FP+FN}
$$
准确率则代表整体的预测准确程度
¶精确率-Precision
精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。
那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。
$$
Precision = \frac{TP}{TP+FP}
$$
¶召回率（查全率）-Recall
实际为正的样本中被预测为正样本的概率，其公式如下：
$$
recall = \frac{TP}{TP+FN}
$$
召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。
¶F1值
是精确率和召回率的调和均值
$$
\frac{2}{F_1} = \frac{1}{P} + \frac{1}{R} \
F_1 = \frac{2TP}{2TP+FP+FN}
$$