》》以下内容参考wikipedia。
https://en.wikipedia.org/wiki/Precision_and_recall
- 精确度 precision = (true positive)/(selected elements) = tp/(tp+fp) ，表示预测为正例的样本中，真正的正例所占的比例。
- 召回率 recall = (true positive)/(relevant elements) = tp/(tp+fn) ，表示被预测出的真正的正例，占真正的正例的比例。
注：实际任务中经常使用这两个基本指标的加权组合（即，F-measure，也称F-score），至于权值根据不同任务酌情使用。
经常使用的而是两者的调和平均数，即(其中p表示precision， r表示recall)：
对于多分类（如N分类），可以看成是N分类，对N个类别的p,r,F1值的平均方法有两种：marco-（即宏平均），micro-（即微平均）。
macro-： 先分别计算出各类的指标，再取平均值。如macro_p= (p1+p2+...+pN)/N
micro-：先计算出所有类别的tp, fp等的平均值，再代入指标计算公式中求出结果。如micro_p= ave_tp/(ave_tp+ave_fp)
类似方法计算得 macro-r, micro-r
最后：
macro_f1 = 2*macro_p*macro_r / (macro_p+macro_r)
micro_f1 = 2*micro_p*micro_r / (micro_p+micro_r)
补充机器学习分类任务中其他指标：
- 准确率(accuracy)
其定义是: 对于给定的测试数据集，正确分类的样本数与总样本数之比。
accuracy = (true positive + true negative) / (tp + tn + fp + fn)
- 混淆矩阵（Confusion Matrix）
在机器学习领域，混淆矩阵（confusion matrix），又称为可能性表格或是错误矩阵。
例如：
实际值：8只cat， 6条dog， 13只rabbit
预测值：7只cat， 8条dog， 12只rabbit
则混淆矩阵为：
从上表中能看出：
Cat的召回率(recall)： 5/8
Dog的召回率(recall)： 3/6
Rabbit 的召回率(recall)：11/13
Cat的精确率(precision)： 5/7
Dog的精确率(precision)： 3/8
Rabbit 的精确率(precision)：11/12
上例参考自：http://blog.csdn.net/vesper305/article/details/44927047
- 对数损失（Log-Loss）
- 曲线下面积（AUC