机器学习分类性能指标：准确率Accuracy/精确率Precision/召回率Recall/F1值

1. 准确率Accuracy

准确率的定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
举例：有100封邮件，有85封邮件预测正确，那么准确率即为：85/100=85%。
注：85封邮件预测正确，这个“预测正确”有2种情况：
①是垃圾邮件，预测结果也是垃圾邮件——预测正确。
②是正常邮件（不是垃圾邮件），预测结果也是正常邮件——预测正确。

2. 精确率Precision/召回率Recall/F1值

预测问题会有下列4种情况：
TP——将正类预测为正类的数量
FN——将正类预测为负类的数量
FP——将负类预测为正类的数量
TN——将负类预测为负类的数量。

通常，以关注的类作为“正类”，其他类为负类。在垃圾邮件检测中，“垃圾邮件”是正类，则“正常邮件”是负类。则TP/FN/FP/TN的理解如下：

TP——是垃圾邮件（正类），预测结果是垃圾邮件（预测为正类）
FN——是垃圾邮件（正类），预测结果是正常邮件（预测为负类）
FP——是正常邮件（负类），预测结果是垃圾邮件（预测为正类）
TN——是正常邮件（负类），预测结果是正常邮件（预测为负类）

2.1. 精确率(Precision)

精确率(Precision)的定义如下:

$$P=\frac{TP}{TP+FP}$$

理解：
①TP——是垃圾邮件（正类），预测结果是垃圾邮件（预测为正类）
②FP——是正常邮件（负类），预测结果是垃圾邮件（预测为正类）
③TP+FP——可能是垃圾邮件/也可能是正常邮件，但预测结果都是垃圾邮件。
则精确率（P）的含义就是：你预测结果是垃圾邮件的这些邮件中(TP+FP)，有多少个是真正的垃圾邮件（TP）？

2.2. 召回率(Recall)

召回率(Recall)的定义如下：

$$R=\frac{TP}{TP+FN}$$

理解：
①TP——是垃圾邮件（正类），预测结果是垃圾邮件（预测为正类）
②FN——是垃圾邮件（正类），预测结果是正常邮件（预测为负类）
③TP+FN——是垃圾邮件，但预测结果可能是垃圾邮件也可能是正常邮件。

则召回率（R）的含义就是：有这么多的垃圾邮件（TP+FN），有多少是你预测对的（TP）？

2.3. F1值(F1 score)

F1值(F1 score)的定义如下：

$$\frac{2}{F_1}=\frac{1}{P}+\frac{1}{R}$$

F1score的作用是对精确率和召回率进行调和。