起源：
我们平时用的精度 accuracy，也就是整体的正确率
acc=predict_right_num/predict_num
这个虽然常用，但不能满足所有任务的需求。比如，因为香蕉太多了，也不能拨开人工的一个一个的看它的好坏 (我爱吃啊，想想就心疼)，此时我们就需要有一种方法，代替拨开香蕉这种粗鲁的手段。这时我们需要通过一些测试，看看哪种方法能更加准确的预测。我们可以通过
“准”：预测的准确度，就是我预测的结果中真正好的香蕉要越多越好；
“全”：就是所有的好的香蕉预测出来的越多越好，虽然把有些坏的也预测是好的了，那也不管，“全” 就行。好的香蕉越多的出现在预测结果里
其实这两者都想要达到就好了，但是不行的：
比如 "准", 我就预测一个算了，好的香蕉肯定比坏的比例高，也就是我只预测一个，100% 比例几率最大了，这时就不 “全” 了，海有好多好的香蕉不在预测结果里面
再比如 "全", 我去全部预测成好的，这真正好的都在我的预测里，也就是 100%。可是这时的 "准" 就一点都不准了。。
所以就必须来平衡这俩同志的关系了，怎么平衡呢？肯定是通过权重来的呀，此时，F 值登上历史舞台!
实例说明：
实例化讲解吧。比如我们的香蕉中 1 表示好的，0 表示坏的，有 10 个香蕉：
gold : [1，1，1，1，1，0，0，0，0，0]
pred: [1，0，1，1，1，1，1，0，0，0]
注释：gold 是现实的好坏；pred 是预测的好坏。
P(Precision) 查准率，准确率：就是上面说的 "准"。字面意思好理解呀，就是在预测当中查找准确个数的比例。公式为：
P = 真正预测准确的数量 / 预测是准确的数量 = 4 / 6
R(Recall) 查全率，召回率：就是上面的 "全"。根据字面理解，在预测中看看真正预测对的占全有对的比率。公式为：
R = 真正预测准确的数量 / 所有真正好的数量 = 4 / 5
准确率就是找得对，召回率就是找得全。大概就是你问问一个模型，这堆东西是不是某个类的时候，准确率就是 它说是，这东西就确实是的概率吧，召回率就是， 它说是，但它漏说了（1 - 召回率）这么多。
F 值 综合评价指标，是：
F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )
注释：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。
在这个实例中可以表示为：k>1 就是查全率有更大影响，就是好的香蕉最好都预测出来，因为你觉得不想把好的当成坏的扔点 (真可惜，我爱吃啊) ；k<1 查准率有更大影响，就是一定要准确，省时间，省力更重要，不在乎好的香蕉当坏的扔点。
而我们常用的是 F1，就是 F(1) 的意思，k=1，比如我们做一个分类任务，这几个类觉得都一样重要。此时：
F(1) = 2 * P * R / ( P + R ) = 2*4/6*4/5/(4/6+4/5) = 8/11