1，这三个率能干啥？
这三个率能比较一个模型的好坏。
举个栗子，我有10个香蕉，1代表好香蕉，0代表坏香蕉，它们依次排列如下：
1 1 1 1 1 0 0 0 0 0
我让a模型帮我分出好香蕉，它给出这样的结果
1 1 1 1 0 0 0 0 0 1
好吧，让我们分析一下a模型干的活。
我们大致可以分为如下四种情况：
本来是好香蕉，a也认为是好香蕉，有4个
本来是好香蕉，a认为是坏香蕉，有1个
本来是坏香蕉，a也认为是坏香蕉，有4个
本来是坏香蕉，a认为是好香蕉，有1个
好吧，看晕了，是时候引进一些科学的思想了！我们把四个类型按照实际值和预测值进行系统化分类：
| 预测 | 预测 | |||
| 1 | 0 | 合计 | ||
| 实际 | 1 | TP | FN | actual positive |
| 实际 | 0 | FP | TN | actual negative |
| 合计 | predicted positive | predicted negative | 总的样本数 |
得出a模型的数据如下：
tp：4
fn：1
fp：1
tn：4
类分好了，开始分析吧
2，精确率
精确率是相对于预测结果而言的，它表示的是预测为正的样本中有多少是对的；
精确率的分子是识别正确的正样本数量，分母是模型认为的正样本数量
P=TP/(TP+FP)
a模型的精确率应该是：4/（4+1）=4/5
3，召回率
召回率是相对于样本而言的，即样本中有多少正样本被预测正确了；
召回率的分子是识别正确的正样本数量，分母是实际上有多少正样本。
R= TP / (TP+FN)
a模型的召回率应该是：4/（4+1）=4/5
4，准确率
准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；
准确率的分子是识别为正的正样本数量加上识别为负的负样本数量，分母是样本总数。
P=(TP+TN) / (TP+TN+FN+FP)
a模型的准确率应当是：（4+4）/10=4/5
好的，a模型的精确率，召回率和准确率都是4/5，
我又让b模型帮我分香蕉，香蕉还是那些香蕉，排列也没变，为了方便看，复制如下
1 1 1 1 1 0 0 0 0 0
b给出的结果
1 0 0 0 0 0 0 0 0 0
根据如上的算法，我们得出b的三率：
精确率：1
召回率：1/5
准确率：3/5
那么问题来了，a模型和b模型，哪个比较好？
看精确率是b高，看召回率是a高，这可咋整？
5，平均数算法
精确率暂时不做考虑，让我们来对a和b的精确率和召回率进行分析
1），算数平均数，（对精确率和召回率求算数平均数）
a模型：4/5
b模型：3/5
a模型得分80，b模型得分60。但是很明显。b模型配不上60分。我们考虑换个算法
2），几何平均数，就是n个项相乘然后开n次方
a模型：0.8*0.8然后开方，得到0.8
b模型：1*0.2然后开方，得到0.44
a模型仍旧是80，b模型这次只得了44分。感觉舒服一些了，还有什么算法呢？
3），调和平均数，又称倒数平均数，是总体各统计变量倒数的算术平均数的倒数。
解释一下，就是n个样本先求倒数，然后求和除以n，然后对结果求倒数。
a模型：（5/4+5/4）/2然后求倒数，得到4/5
b模型：（1+5）/2然后求倒数，得到1/3
a模型仍旧是80，b模型这次33分，这回舒服多了。
顺带说一声，三个平均数对极小值的敏感程度为：调和平均数>几何平均数>算数平均数