详解Precision（查准率，精确率），Recall（查全率，召回率），Accuracy（准确率）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/xiaotao_1/article/details/81033465

　　中文的翻译有点乱，大致是这样的：Precision（查准率，精确率），Recall（查全率，召回率），Accuracy（准确率）。下面提到这三个名词都用英文表示。
　　从一个例子入手：我们训练了一个识猫模型，送一张图片给模型，模型就能告诉你该图片是否有猫。目标是找出所有有猫图片。
　　下面送100张有猫的图片，和100张无猫的图片给模型。假设预测的结果如下：

例子	图片有猫	图片没有猫
模型识别有猫（Positive）	90	5
模型识别没有猫（Negative）	10	95

　　下面定义四个参数：
TP（True Positives）：模型识别有猫，实际图片有猫。在上面例子中为90
FP（False Positives）：模型识别有猫，实际图片没有猫。在上面例子中为5
TN（True Negatives）：模型识别没有猫，实际图片没有猫。在上面例子中为95
FN（False Negatives）：模型识别没有猫，实际图片有猫。在上面例子中为10

1，$Precision = \frac{TP}{TP+FP}$ ：表示“正确被识别到有猫的图片”占““所有被识别到有猫的图片”的比例。该例为：$\frac{90}{90+5}$

2，$Recall = \frac{TP}{TP+FN}$ ：表示““正确被识别到有猫的图片”占““所有含有猫的图片”的比例。该例为：$\frac{90}{90+10}$

3，$Accuracy = \frac{TP+TN}{TP+FP+TN+FN}$ ：表示“模型预测正确的比例。该例为：$\frac{90+95}{90+5+95+10}$