模型评估：Accuracy、Precision、Recall、F1、ROC曲线、AUC、PR曲线-Accuracy & Precision & Recall & F

准确率 Accuracy

$Accuracy=\frac{TT+TF}{ALL}$

1.分类器到底分对了多少？

精确率 Precision

2.返回的图片中正确的有多少？

召回率 / 查全率 Recall

3.有多少张应该返回的图片没有找到？
这个问题可以通过Recall值来体现（因为Recall值 = 1 - 有多少张应该返回的图片没有找到 / 应该返回的图片总数，该公式中除了"有多少张应该返回的图片没有找到"的值是变量以外，其它均为常数）

召回率代表“本应返回的照片中，实际返回了多少”

Recall为返回的图片中汉堡的图片的数目 / 测试集样本中所有汉堡的图片的数目。

F1值

由上图可以看出（召回率100%的情况下精确率非常低）：不能一味地要求召回率高，也不能一味地要求精确率高。否则会导致另一个值相对较低。因此此时我们就提出了一个新的值——F1值

总结

二分类：

多分类

• 准确率$Accuracy=\frac{所有的绿色求和}{ALL}$
• 精确率往往单独看每一类，比如C6，$Precision=\frac{C6的这个绿色}{C6整一行样本总数}$
• 召回率同上，$Recall=\frac{C6的这个绿色}{C6整一列样本总数}$
• F1值是精确率和召回率的调和平均

如上，可以求出每一类的Precision、Recall、F1
如果想知道整体的Precision、Recall、F1，可以直接求平均或者求加权平均
实际上刚才求的是宏观macro的Precision、Recall、F1，相应地，我们也可以求微观micro的Precision、Recall、F1：
针对每一类，都有TP、FP、TN、FN。若要求整个模型的TP，可以把每一类的TP都加起来。这样就得到了针对整个模型的TP、FP、TN、FN。再套入公式，就可以得到微观micro的Precision、Recall、F1
注意如果模型针对一个输入只返回一个label，也就是说一个输入只能对应一个类别的话，这样求出的微观micro的Precision、Recall、F1都会是相等的，且都等于Accuracy