机器学习之模型评价指标
| 预测值 | |||
| 正例 | 负例 | ||
| 真实值 | 正例 | 真正例（A） | 假负例（B） |
| 负例 | 假正例（C） | 真负例（D） | |
| 预测值 | |||
| 正例 | 负例 | ||
| 真实值 | 正例 | TP | FN |
| 负例 | FP | TN | |
模型测试一般用四个指标来衡量：
SRE实战 互联网时代守护先锋，助力企业售后服务体系运筹帷幄！一键直达领取阿里云限量特价优惠。准确率（Accuracy）： 提取出的正确样本数/总样本数
召回率（Recall）：正确的正例样本数/样本中的正例样本数，也定义为查全率
精准率（Precision）：正确的正例样本数/预测为正例的样本数，也定义为查准率
F值：等于召回率和精准率的调和平均值
这里需要注意的是召回率和精准率的关系是互斥的，其原因为：
1.对于召回率而言，其分母是固定的，是真实值中正例的数目，我们希望召回率（即查全率）是越高越好的，其极限条件就是当所有值都认定为是正例时，召回率就为1，但是这样做的缺点是无法区分正例和负例，比如，正例为患病人数，负例为健康人数，如果召回率为1，即认为测试样本中的所有人都是有病的，显然这样做是不合理的；
2.如果我们希望召回率增加，即测值中的正例数是增加的，如下表：（其中正例表示患病，负例表示健康，目的是在找出样本中的患病人数）
情况1
| 预测值 | |||
| 正例：70 | 负例：30 | ||
| 真实值 | 正例：80 | TP：60 | FN:20 |
| 负例：20 | FP：10 | TN:10 | |
召回率:3/4（查全率）
精准率:6/7（查准率）
情况2
| 预测值 | |||
| 正例：75 | 负例:25 | ||
| 真实值 | 正例：80 | TP:64 | FN:10 |
| 负例:20 | FP：11 | TN:15 | |
召回率:64/80
精准率:64/75
3.由上面的分析可得，由于真正例和假正例的比例是不变的，当预测值中正例样本数增加时，真正例和假正例的值都会增加，但是分子对于分母差了一个假正例的数值，所以在此情况下，召回率是增加的，即查全率增加，但是差准率相应降低。
简单理解就是，认为多数人是患病的，那么查全的概率是增加的，但是都多数人结果会造成查准的降低。
更多精彩
