召回率、准确率、精确率、F值的作用
在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。
首先给出一个大家经常见到的图：
准确率(accuracy)=(TP+TN)/(TP+FN+FP+TN)
通俗解释： 在所有样本中，预测正确的概率
精确率(precision)=TP/(TP+FP)
通俗解释：你认为的正样本中，有多少是真的正确的概率
召回率(recall)=TP/(TP+FN)
通俗解释：正样本中有多少是被找了出来
P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure。
当参数α=1时，就是最常见的F1，也即
某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：
准确率=700/(1400+300+300)=35%
精确率=700/（700+200+100）=70%
召回率=700/1400=50%
F1=35%* 70% *2/35%+70%=46.6%
关注公众号“python做些事” 掌握更多编程知识,轻松拿到大厂offer
终于有人讲清楚准确率（accuracy）、召唤率(recall)和精确率（precision）的关系了
原文：https://www.cnblogs.com/qiujichu/p/13066728.html
