幾個定義：混淆矩陣

• TP： True Positives， 表示實際為正例且被分類器判定為正例的樣本數
• FP： False Positives， 表示實際為負例且被分類器判定為正例的樣本數
• FN： False Negatives， 表示實際為正例但被分類器判定為負例的樣本數
• TN： True Negatives， 表示實際為負例且被分類器判定為負例的樣本數

一個小技巧， 第一個字母表示劃分正確與否， T 表示判定正確（判定正確）， F表示判定錯誤(False)； 第二個字母表示分類器判定結果， P表示判定為正例， N表示判定為負例。

幾個常規的指標

Accuracy： $$ accuracy = \frac{TP + TN}{TP + FP + FN + TN}= \frac{正確預測的樣本數}{所有的樣本數} \ $$ Accuracy 能夠清晰的判斷我們模型的表現，但有一個嚴重的缺陷： 在正負樣本不均衡的情況下，占比大的類別往往會成為影響 Accuracy 的最主要因素，此時的 Accuracy 并不能很好的反映模型的整體情況。

Precision： $$ Precision = \frac{TP}{TP + FP} \ Precision = \frac{\sum_{l=1}^{L}TP_l}{\sum_{l=1}^LTP_l + FP_l} = \frac{\text{label 預測為 l 且預測正確的樣本個數}}{\text{label 預測為 l 樣本個數}} \ $$ Recall： $$ Recall = \frac{TP}{TP + FN} \ Recall = \frac{\sum_{l=1}^L TP_l}{ \sum_{l=1}^LTP_l + FN_l} = \frac{\text{label 預測為 l 且預測正確的樣本個數}}{\text{真實樣本中所有 label 為 l 的樣本個數}} $$

Precision 與 Recall 的權衡

精確率高，意味著分類器要盡量在 “更有把握” 的情況下才將樣本預測為正樣本， 這意味著精確率能夠很好的體現模型對于負樣本的區分能力，精確率越高，則模型對負樣本區分能力越強。

召回率高，意味著分類器盡可能將有可能為正樣本的樣本預測為正樣本，這意味著召回率能夠很好的體現模型對于正樣本的區分能力，召回率越高，則模型對正樣本的區分能力越強。

從上面的分析可以看出，精確率與召回率是此消彼長的關系， 如果分類器只把可能性大的樣本預測為