是什么?评估分类器的常用概念----准确率,精确率,召回率

Level1: 

分类问题最早只是二分类问题,最初只有这几个概念:"真正例","真负例","假正例","假负例".

TP: 样本标签为1,模型预测为1	FP: 样本标签为1,模型预测为-1
TN: 样本标签为-1,模型预测为-1	FN:样本标签为-1,模型预测为1

  

Level2:

准确率acc, 通俗的说就是 acc=预测正确的样本数/总样本数

　　

精确率precision, 通俗得说就是只看正样本, prec = 正样本中被分类器正确检测出来的百分比

　　

召回率roc, 被分类器判成正样本的样本中确实是正样本的百分比

　　

Level3:

F1-score:

　　F1= 2 * (precision*recall) / (precision+recall)

Fbeta-score

　　Fbeta = (1+beta^2) * (precision*recall)  / (recall+precision*beta^2)