【466】准确率(precision)、召回率(recall)、F值
参考：如何解释召回率与精确率？
参考：推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
参考：机器学习性能评估指标
- True Positive(真正, TP)：将正类预测为正类数.
- True Negative(真负 , TN)：将负类预测为负类数.
- False Positive(假正, FP)：将负类预测为正类数 →→ 误报 (Type I error).
- False Negative(假负 , FN)：将正类预测为负类数 →→ 漏报 (Type II error).
在信息检索领域，精确率和召回率又被称为查准率和查全率，
- 查准率＝检索出的相关信息量 / 检索出的信息总量
- 查全率＝检索出的相关信息量 / 系统中的相关信息总量
举例：例如用 百度/谷歌 搜索一个关键词 ML，
- 查准率 就是指所有的结果中真正是自己想要的比率，越高肯定越好（比较精准）
- 查全率 就是指所有想要的结果中被搜索到的比率（比较全面）
- 评论：众所周知，百度经常是查找率不高，前面都是广告，因此很多搜索结果都不是我们想要的，其次召回率也不高，因为你想找的东西很可能找不到，而谷歌则是大部分结果都是自己想要的，广告比较少，召回率很高，基本上能找到自己想要的东西。
准确率：看重结果，结果中，判断正确的比例，有时候也是用正来表示
召回率：看重正确结果有多少被查找出来
参考：如何解释召回率与精确率？ - Charles Xiao的回答 - 知乎 https://www.zhihu.com/question/19645541/answer/91694636
另外通过面积占比来理解更容易一些！
通过下面的函数可以分别计算 $precision$, $recall$, $F_1$, $IoU$
查准率（precision），指的是预测值为1且真实值也为1的样本在预测值为1的所有样本中所占的比例。以西瓜问题为例，算法挑出来的西瓜中有多少比例是好西瓜。
分母：所有 $pred$ 为 1 的部分
$$precision = \frac{TP}{TP + FP} = \frac{Area(pred \cap true)}{Area(pred)}$$
召回率（recall），也叫查全率，指的是预测值为1且真实值也为1的样本在真实值为1的所有样本中所占的比例。所有的好西瓜中有多少比例被算法挑了出来。
分母：所有 $true$ 为 1 的部分
$$recall = \frac{TP}{TP + FN} = \frac{Area(pred \cap true)}{Area(true)}$$
F1分数（F1-Score），又称为平衡F分数（BalancedScore），它被定义为精确率和召回率的调和平均数。
$$F_1 = 2 * \frac{precision * recall}{precision + recall}$$
IOU（Intersection over Union）交并比。计算真实值和预测值集合的交集与并集之比。
$$IoU = \frac{TP}{TP + FP + FN}$$
