机器学习中、完成建模之后，我们需要对模型的效果做评价，而召回率、精确率和F值就是评估机器学习模型的三大重要指标。

一、基本概念

True Positive(真正，TP)：将正类预测为正类数

True Negative(真负，TN)：将负类预测为负类数

False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

二、召回率

召回率，recall, 也就是正确预测为正的占全部实际为正的比例(真正正确的占所有实际为正的比例)。是针对原样本来说的，其含义是在实际为正的样本中被预测为正样本的概率。

准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低;追求召回率高，则通常会影响准确率。

三、精确率

精确率precision，也叫查准率, 也就是正确预测为正的占全部预测为正的比例，(真正正确的占所有预测为正的比例)。针对预测结果而言的，其含义是在被所有预测为正的样本中实际为正样本的概率。

四、F值(F-Measure)

1.精确率P和召回率R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F值，也就是F-Measure(又称为F-Score)。

F-Measure是一种统计量，又称F-Score,也是精确率(Presicion)和召回率(Recall)的加权调和平均，常用于评价分类模型的好坏。

当参数α=1时，就是最常见的F1.也即

可知F1综合了P和R的结果，当F1较高时则能说明试验方法比较有效。

2.E值

E值表示P和R的加权平均值，当其中一个为0时，E值为1.其计算公式：

b越大，表示查准率的权重越大。

五、P-R曲线

对模型进行评估，不能仅靠精确率或者召回率，最好构建多组精确率和召回率，绘制出模型的P-R曲线。

P-R曲线的横轴是召回率，纵轴是精确率。P-R曲线上的一个点代表着，在某一阈值下，模型将大于该阈值的结果判定为正样本，小于该阈值的结果判定为负样本，此时返回结果对应的召回率和精确率。整条P-R曲线是通过将阈值从高到低移动而生成的。原点附近代表当阈值最大时模型的精确率和召回率。