算法评价指标：准确率+精准率+召回率

评价指标：

(1)(True Postive TP): 若一个实例是正类，但是被预测成为正类，即为真正类

(2)(True Negative TN): 若一个实例是负类，但是被预测成为负类，即为真负类

(3)(False Postive FP): 若一个实例是负类，但是被预测成为正类，即为假正类

(4)(False Negative FN: 若一个实例是正类，但是被预测成为负类，即为假负类

1代表正类，0代表负类：

准确率（正确率）=所有预测正确的样本/总的样本（TP+TN）/总

精确率= 将正类预测为正类 / 所有预测为正类 TP/（TP+FP）

召回率 = 将正类预测为正类 / 所有正真的正类 TP/（TP+FN）

F值 = 精确率 * 召回率 * 2 / ( 精确率 + 召回率) （F 值即为精确率和召回率的调和平均值）

1、准确率（Accuracy）

准确率(accuracy)计算公式为：

注：准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。准确率确实是一个很好很直观的评价指标，但是有时候准确率高并不能代表一个算法就好。比如某个地区某天地震的预测，假设我们有一堆的特征作为地震分类的属性，类别只有两个：0：不发生地震、1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那那么它就可能达到99%的准确率，但真的地震来临时，这个分类器毫无察觉，这个分类带来的损失是巨大的。为什么99%的准确率的分类器却不是我们想要的，因为这里数据分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的准确率却忽视了我们关注的东西。再举个例子说明下。在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc也有 99% 以上，没有意义。因此，单纯靠准确率来评价一个算法模型是远远不够科学全面的

2 、精确率（Precision）：

精确率是针对预测结果而言的，表示预测为正的样本中有多少是真正的正样本，预测为正的样本中有两种可能:

一种是把正类预测为正（TP），一种是把负类预测为正（FP）

3、召回率（Recall）：

召回率是针对我们原来的样本而言，它表示样本中的正类有多少被预测正确了，有两种可能，一种是把原来的正类预测成正类（TP），一种是把原来的正类预测成负类（FN）

4、f1-score

P和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-Measure（又称为F-Score）。 F-Measure是Precision和Recall加权调和平均：