F1 P R的理解
precision:查准率
recall:查全率，召回率
查准率，基于预测的结果，预测为正的样本中 由多少真正的正样本。即，真正为正的越多越好。
查全率，针对原来的正样本，有多少正样本被预测正确了。
[Precision = frac{True positives}{predictied as positives} = frac{TP}{TP+FP}
]
[Recall = frac{True positives}{actual positives} = frac{TP}{TP+FN}
]
举个例子：
我们用一个模型去判断一段时间的作弊流量，假设该段时间的流量是100个，作弊的是25个，没有作弊的是75个，假设这里正样本为没有作弊的流量。
然后我们用某种模型去预测，结果是70个没有作弊的，但是经检查，我们把其中69个正样本预测为没有作弊，把1个负样本预测为没有作弊。
那么，
P = 69/70, 基于预测的结果，共有70个正样本；这70个样本中，真正的正样本由69个。
R = 69/75, 已知正样本有75个，有69个正样本被正确的预测到了。
所以，
查准率，在于 "准"，就是基于预测的结果中，真正的正样本越多越好。
查全率，在于"全"，就是把所有的真正的正样本预测出来的越多越好，虽然有些负样本也有可能被预测为正样本，那也不管，重点在于"全"。
我们在预测的时候，总是希望检索结果precision越高越好，同时recall也越高越好，但事实上这两者在某种情况下是矛盾的。例如，我只取一个样本，且是真正的正样本，那么P就是100%，但是R只有(frac{1}{70})就很低了；而如果取100个样本，那么R显然是100%，但是P只有75%。
这样就引出了 F(k)，
[F(k) = frac{(1+k)*P*R}{(k*k)*P+R}
]
k>0 度量了 查全率 对 查准率 的相对重要性。k>1查全率有更大影响；k<1查准率有更大影响。
通常我们看到的F1就是F(1)，在binary classification问题中，F1值是P和R的调和平均数，取值范围为[0,1]，值为1表示perfect precision and recall，worst at 0。
[F(1) = frac{2*P*R}{P+R}
]