总结自《机器学习》周志华 2.3
目录
最常用的是查准率P（precision），查全率R（recall），F1
一、对于二分类问题
二、对于多分类问题
1.macro
2.micro
最常用的是查准率P（precision），查全率R（recall），F1
一、对于二分类问题
混淆矩阵（confusion matrix）：
| 预测结果 | ||
| 真实情况 | 正例 | 反例 |
| 正例 | TP，true positive,真正 | FN，false negative 假反 |
| 反例 | FP ，false positive,假正 | TN，true negative 真反 |
查准率=真正 / (真正+假正) = predicted and true positive/ predicted positive
查全率= 真正 /(真正+假反) = predicted and true positive/ true positive
P , R是一对矛盾的度量，一般一个的值高了，另一个的值就会降低，
P-R图：
若学习器A的 P-R曲线 将学习器B的 P-R曲线 完全包住，则学习器A 在该问题上 优于 B
若A B的P-R曲线有交叉， 则比较P-R曲线下面积的大小，越大越好
平衡点 break even point BEP，是P==R 时的取值
F值度量：
,n为样例总数
β>1，R有更大影响，β<1,P有更大影响
二、对于多分类问题
多分类问题，每两两类别组合，构成n个二分类问题，每个二分类问题对应一个混淆矩阵
1.macro
先在各个混淆矩阵上分别计算P,R, 再求平均得到 宏查准率macro-P, 宏查全率macro-R,
基于宏查准率macro-P, 宏查全率macro-R,计算 宏F1 macro-F1
2.micro
将各个混淆矩阵的对应元素进行平均，得到TP,FP,TN,FN的平均值：