准确率、精确度、召回率以及F1值的理解和作用_f1值的意义

一、精确度和准确率、召回率和漏检率

*****精确度***：  Precision 
计算公式：P = TP / ( TP + FP )
定义：检测出的正例中，真正是正例的个数占检测出的正例的比例
举例：检测出100张猫，其实100张中80张是猫，20张是狗，那么:
		P = 80 / (80  +  20) 
		   =0.8

*****准确率***：   Accuracy 
计算公式：P =( TP + TN ) / ( P + N )
定义：所有的样本中，正确判断出来为正例的个数占所有样本的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:
		A = ( 80 + 20 ) / ( 120 + 80) 
		   = 0.5

*****召回率***：   Recall
计算公式：P = TP + TN ) / ( P + N )
定义：所有的样本中，被判断为正例的占所有正例的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:
		R = 80  / 120
		   = 0.6

*****漏检率***：   1 - Recall
计算公式：1 - Recall
定义：所有的样本中，本来是正例，没检测出的部分占所有样本的比例
举例：猫狗总共200张（120猫，80狗），检测出100张猫，其实100张中80张是猫，20张是狗，那么:
		R = 80  / 120
		   = 0.6
漏检率 = 1 - R = 0.4 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

注意：在一般的目标检测中，准确率其实就等于精确度。

二、理解F1值

1.计算公式

一般形式：

	       precision * recall
F1 = 2 * -----------------------
	        precision + recall
1
2
3

通俗理解：

	                             2
                      ----------------------  
          F1   =          1             1
                      ---------  +  ---------  
                       Precision       Recall
1
2
3
4
5

2.理解
①F1值就是Precision和Recall的调和平均数，如果只考虑精确度或者只考虑召回率都不能够作为评价一个模型好坏的指标，所以使用F1值来调和两者，兼容到精确度和召回率。

②观察公式可知：
Recall不变时，Precision越大，1/Precision越小，从而F1越大
Precision不变时，Recall越大，1/Recall越小，从而F1越大

③F1值最大值为1，最小值为0，精确度越高越好，召回率越高越好，可以在0~1的这个值域内，F1越大越好。

正好用到评价指标相关的内容，总结一下，仅供参考，记录学习！