对精确率（P）、召回率（R）、F1值的理解以及对应的实现

对精确率、召回率、F1值的理解

算法理解

在机器学习中，P、R和F1值在各种评测中很常见，那么到底什么是P、R、F1值呢，怎么理解呢，困扰了很多人，下面给我对P、R、F1值的理解，

 

首先，我们先看一个表：

	模型预测为正例	模型预测为负例
真的正例	TP	FN
真的负例	FP	TN

然后根据上面的表，再看一下下面的公式，后面会给出详细的例子，供大家理解：

 

 $$P=\frac{TP}{TP+FP}  $$

精确率P的理解是：所有预测出来的正例中有多少是真的正例。

 

 $$R=\frac{TP}{TP+FN}  $$

 召回率R的理解是：所有正例模型能发现多少个。

 

 $$F1=\frac{2*P*R}{P+R}  $$

F1值是权衡P与R之后的结果，综合评判的指标。

 

好，为了方便大家理解，咱们举个例子，来说明每个指标的含义。

假如我们有10个西瓜，其中9个是好的，一个是坏的，目标是找到好的西瓜，我们的模型预测结果是5个是好的，5个是坏的，

真实样本对应的标签为：[1,1,1,1,1,1,1,1,1,0]

预测的样本对应的标签为：[1,1,1,1,1,0,0,0,0,0]

那么将对应的P、R、F1值应该怎么计算，代入公式中进行计算，结果为：

	模型预测为正例	模型预测为负例
真的正例	5	4
真的负例	0	1

 

$$P=\frac{5}{5+0} =1.0 $$

$$R=\frac{5}{5+4} =0.55 $$

$$F1=\frac{2*P*R}{P+R} =0.71 $$

 

 

 

结果验证

可以使用sklearn库来进行验证我们的计算