在介紹指標前必須先了解“混淆矩陣”，其各個元素的介紹如下：

True Positive(真正，TP)：將正類預測為正類數

True Negative(真負，TN)：將負類預測為負類數

False Positive(假正，FP)：將負類預測為正類數誤報 (Type I error)

False Negative(假負，FN)：將正類預測為負類數→漏報 (Type II error)

?

Accuracy最容易理解，指所有樣本中被正確分類的樣本，包含所有樣本類別。數學公式為：

Precision與Recall是比較常見的兩個衡量分類精確度的參數。Precision是指在所有分類結果為某一類別的樣本中，被正確分類

的個數所占比例，而Recall指的是在某一類別的所有樣本中被正確分類的樣本所占比例。他們的公式分別為：

注：區別這兩者的關鍵是Presion是從分類后的樣本角度看的，而Recall是從原始樣本角度看的

F-measure（F-score）是Precision與Recall的加權和，因為P與R可能會存在相反的情況，這時F-Measure可以將兩者綜合，能更有效的評價分類結果，其公式為：

當為1是即為熟悉的F1參數：

總結

以上是生活随笔為你收集整理的机器学习---评价指标：Accuracy、Precision、Recall、F-Measure的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。