模型评价指标（准确率、精度、召回率）

机器学习中我们常常使用准确率、精度、召回率三大指标评价一个模型训练的好坏，那么这三大参数分别代表什么意义？
在介绍评价指标前，需要先明确几个计算指标：

• 真正例（True Positive，TP）：模型将测试样本中True类型的样本预测为True的样本数量
• 假负例（False Negative，FN）：模型将测试样本中True类型的样本预测为False的样本数量
• 假正例（False Positive，FP）：模型将测试样本中False类型的样本预测为True的样本数量
• 真负例（True Negative，TN） ：模型将测试样本中False类型的样本预测为False的样本数量

准确率（Accuracy）

准确率描述的是模型预测正确（包括真正例、正负例）的样本数量站总样本的比例，即模型预测的准确率，计算公式如下所示：
$$Accuracy=\frac{真正例+真负例}{训练样本总数}=\frac{TP+TN}{TP+FN+FP+TN}$$
准确率只能在一定程度上表示一个模型的好坏，如果在测试数据集中的True样本的数量远大于False样本的数量，那么模型将所有样本都标记为True，此时的Accuracy值一定是很高的，但是这能表示这个模型预测的很准确吗？显然是不能的，因此我们要引入其它的评价标准。

精度（Precision）

精度描述的是模型预测为True且实际为True的样本数量占模型总预测为True的样本数量的比例，计算公式如下所示：
$$Precision=\frac{真正例}{真正例+假正例}=\frac{TP}{TP+FP}$$
我们在训练模型中当然希望模型预测的结果的精度很高，但是精度高的模型一定好吗？显然是否定的，假设模型只预测出来一个True样本，且样本实际也是True，那么此时的Precision是1，但是模型会预测到很多的假反例，这样的模型依然是不理想的，因此我们仍然要引入其它评价标准。

召回率（Recall）

召回率描述的是模型预测为True且实际为True的样本数量占测试数据集中实际为True样本的总数的比例，计算公式如下所示：
$$Recall=\frac{真正例}{真正例+假负例}=\frac{TP}{TP+FN}$$
召回率越高表示模型能够找到测试样本中True样本的能力越强，但是如果模型将所有的测试样本全部预测为True，此时的Recall值为1，但是这样的模型仍然不是一个理想的模型。

根据上述分析，我们知道精度率和召回率是互相矛盾的，往往模型具有较高的精确率的时候召回率会很低，反之召回率越高则精确率越低，因此在实际运用中，我们常常要根据实际需求统筹考虑准确率、精度、召回率，这样才能训练出最优的模型。