混淆矩阵

  | 预测 Positive | 预测 Negtive |

:------------: | :------------: | :------------: |

|真实 Positive | TP | FN |

|真实 Negtive | FP | TN |

precision、recall和f1

\(precision=TP/(TP+FP)\)

\(recall=TP/(TP+FN)\)

关于precision和recall的解释可以参考sklearn的文档。不吹不黑，sklearn的文档真的就是一本优秀的机器学习教程，简明易懂还有代码。

https://scikit-learn.org/stable/modules/model_evaluation.html#precision-recall-f-measure-metrics

通俗理解：

Intuitively, precision is the ability of the classifier not to label as positive a sample that is negative, and recall is the ability of the classifier to find all the positive samples.

通俗来说，precision是分类器不把负样本分类为正样本的能力，recall是将所有正样本都找出来的能力。

需要注意的是，这两个一般是相反的，precision高，recall会相应的降低。（当然，有人会说那我全分对了两个值不就都是1了吗？对，这确实是理想情况，但是事实上，提高recall会让模型偏向于分类为正样本，导致负样本中也有更多的样本被分为正样本）

二者的调和均值是F1。

计算：

>>> from sklearn.metrics import recall_score, accuracy_score, f1_score
>>> prediction_ids = [0,0,0,1,1,1,1,1]
>>> label_ids =      [0,0,1,0,1,0,1,1]
>>> accuracy_score(label_ids, prediction_ids)
0.625
>>> recall_score(label_ids, prediction_ids)
0.75
>>> recall_score(label_ids, prediction_ids, pos_label=0)
0.5
>>> f1_score(label_ids, prediction_ids)
0.6666666666666665

recall_score的pos_label参数的意义是：positive_label，也就是Positive的标签号。默认是1，也就是TP指：实际是1，预测也是1。

sklearn的混淆矩阵横纵坐标排布

>>> from sklearn.metrics import confusion_matrix
>>> prediction_ids = [0,0,0,1,1,1,1,1]
>>> label_ids =      [0,0,1,0,1,0,1,1]
>>> confusion_matrix(label_ids, prediction_ids)
array([[2, 2],
       [1, 3]])

这里对应的混淆矩阵是：

  | 预测 0 | 预测 1 |

:------------: | :------------: | :------------: |

|真实 0 | 2 | 2 |

|真实 1 | 1 | 3 |

也就是一个数字的行坐标代表真实标签，列坐标代表预测标签。