在评价机器学习模型或二分类问题模型检测效果上，经常会涉及几个评价指标，有准确率、精确率、召回率和F1值，人们往往会对这几个词语容易混淆，难以准确把握它们的含义，下面就对这几个词语进行说明，方便大家制定合适的模型评价指标。

背景知识：

在理解四个指标前，先用不同的字母表示不同的结果。T（True）、F（false）、P(Positive)、N(Negative)，根据真实结果和判断结果，标出判断结果T/F。通过以下的表格方便大家理解。

TP：表示真实结果为真，判断结果也是为真，判断正确

FP：表示真实结果为假，但是被误判为真，判断错误

FN：真实结果为真，但是被误判为假，判断错误

TN：表示真实结果为假，判断结果也是为假，判断正确

1、准确率

准确率(Accuracy)，即判断结果为正确占总样本的百分比，表达式如下：

准确率=（TP+TN）/ (TP+TN+FP+FN)，

从该表达式可以看出分子包括了TP和TN，即含了检测出与真实结果一致的情况，但这里就含有真实正样本和真实负样本两种情况，如果两者样本数偏差较大，如合格品大概为95%，次品为5%，如果都预测为合格，那么准确率就高达了95%，这样的准确率不能很好反映模型的真实效果，所以还需要后面的几个指标。

2、精确率

精确率(Precision)，指真实结果为真占所有判断结果为真的样本的概率，表达式如下：

精确率=TP / (TP+FP)

一般的人会比较容易混淆精确率和准确率两个概念。精确率是对正样本的判断准确度，而准确率是对整体样本的判断准确程度，其中的区别可以从表达式能清楚可知。

3、召回率

召回率(Recall)，指真实为真的样本占所有被判断为真样本的比例。

表达式为召回率=TP/(TP+FP)

比如：样本中共有10个鸡蛋，其中有4个是坏鸡蛋。设计模型进行检测找出坏鸡蛋，最后找到了5个，但是其中只有3个是坏鸡蛋。那么模型的精确率为3/5=60%，即找到了5只鸡蛋中，只找对了3个。

模型的召回率是3/4=75%，需要找到的是4个坏鸡蛋，但是只找到3个。

这个是关于召回率和精确率的例子，可以帮助大家对概念的理解。

4、F1值

F1值，即F1-Score。前面提到的精确率，又叫查准率，召回率又叫查全率。在实际的计算中，精确率和召回率往往很难两全其美，所以通过F1值寻找两者的平衡点。

F1值表达式为F1-Score=2*精确率*召回率/(精确率+召回率）

希望能通过本介绍对大家的学习和工作有帮助，欢迎多加关注。