模型评价 - 召回率(Recall)、精确率(Precision)、F1 值(F-Measure)、准确率（Accuracy）的原理与 Python 代码实现

版权声明：转载请联系作者，获得允许后，添加链接及作者到页首 https://blog.csdn.net/weixin_40683253/article/details/86616298

衡量二分类器的评价指标有：召回率(Recall)、精确率(Precision)、F1 值(F-Measure)、准确率（Accuracy）等。

为了便于解说，我们来看这张二分类的表，表中共有两列--实际值（样本中实际的分类结果）和预测值（通过算法预测的分类结果）。

通俗的讲，

1. 召回率：实际值中的 1 有百分之多少同时也被预测为 1 了；
2. 精确率：预测值中的 1 有百分之多少是预测正确的（预测正确指预测值与实际值都是 1 ）；
3. F1 值  ：调和召回率和精确率；
4. 准确率：预测值中的 0 和 1 都预测对占所有预测值的比例；

计算公式的讲，

• True Positive      (TP)：将 1 预测为 1 的数量；
• True Negative    (TN)：将 0 预测为 0 的数量；
• False Positive    (FP)：将 0 预测为 1 的数量；
• False Negative  (FN)：将 1 预测为 0 的数量；

召回率： Recall = TP / （ TP + FN ）；

精确率： Precision =  TP / （ TP + FP ）；

F1 值  :    F1 = 2 * Recall  * Precision  / (Recall  + Precision) = 2 * TP / （ 2 * TP + FP + FN ）；

准确率： Accuracy = （ TP + TN ） / （ TP + TN + FP + FN ）；

Python代码的讲，

tp = ((n_yuce==1) & (n_true==1)).sum()
fn = ((n_yuce==0) & (n_true==1)).sum()
fp = ((n_yuce==1) & (n_true==0)).sum()
tn = ((n_yuce==0) & (n_true==0)).sum()

recall = tp/(tp+fn)
precision_score = tp/(tp+fp)
f1 = 2*precision_score*recall/(precision_score+recall)
accuracy = (tp+tn)/(tp+tn+fp+fn)

或者，

from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score,cohen_kappa_score

recall = recall_score(n_yuce,n_true)
precision = precision_score(n_yuce,n_true)
f1 = f1_score(n_yuce,n_true)

#准确率
with tf.name_scope("accuracy"):
      correct_predictions = tf.equal(self.predictions,self.input_y)
      self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")