1. 四种情况
Precision精确率， Recall召回率，是二分类问题常用的评价指标。混淆矩阵如下：
| 预测结果为阳性 Positive | 预测结果为假阳性 Negative | |
|---|---|---|
| 预测结果是真实的 True | TP | TN |
| 预测结果是虚假的 False | FP | FN |
通常关注的类为正类，其他类为负类。（以猫狗二分类为例，现在关注狗的precision和recall）
| TP | 正类预测为正类（预测出狗的图片实际标注也是狗） |
|---|---|
| FN | 正类预测为负类（预测出猫的图片实际标注是狗） |
| FP | 负类预测为正类（预测出狗的图片实际标注是猫） |
| TN | 负类预测为负类（预测出猫的图片实际标注是猫） |
T, F 代表的是图片对应的标签
P, N 代表的是图片预测出来的结果
2. Precision
精确率计算公式：
\[ P=\frac{TP}{TP+FP} \]
理解：
TP+FP: 也就是全体Positive， 也就是预测的图片中是正类的图片的数目
TP: 也就是正类也被预测为正类的图片的个数
总之：预测正确的图片个数占总的正类预测个数的比例（从预测结果角度看，有多少预测是准确的）
3. Recall
召回率计算公式：
\[ R=\frac{TP}{TP+FN} \]
理解：
TP+FN: 也就是全体完全满足图片标注的图片的个数
TP：正类被预测为正类的图片个数
总之：确定了正类被预测为正类图片占所有标注图片的个数（从标注角度看，有多少被召回）
4. 二分类举例
还是以猫狗二分类为例，测试集一共有20张狗， 20张猫的图片的标注图片（狗为正例），模型预测出其中有16张图片是狗，其中14张图片标注确实为狗，剩下两张图片标注为猫。
| Positive | Negative | All | |
|---|---|---|---|
| True | TP: 14 | TN: 6 | 20 |
| False | FP: 2 | FN: | |
| All | 16 |
所以可以进行计算了
\[ precision = \frac{TP}{TP+FP} = \frac{14}{14+2} \]
\[ recall = \frac{TP}{TP+FN} = \frac{14}{40} \]
5. 多分类举例
该例引用自：https://www.itcodemonkey.com/article/9521.html
| Class1 | Actual_Class1 | Actual_Class2 | Actual_Class3 |
|---|---|---|---|
| Predicted_Class1 | 30 | 20 | 10 |
| Predicted_Class2 | 50 | 60 | 10 |
| Predicted_Class3 | 20 | 20 | 80 |
比如我们对class2进行计算：
class2-TP：标签为class2, 预测为class2 = 60
class2-TN: 标签为class2, 预测不是class2 = 20+20 = 40
class2-FP: 标签不为class2, 预测为class2 = 50 + 10 = 60
class2-FN: 标签不为class2, 预测也不是class2 = 30+10+20+80 = 140
6. 其他指标
F1 值是precision和recall调和平均值：
\[ \frac{2}{F_1} = \frac{1}{P} + \frac{1}{R} \]
\[ F_1 = \frac{2TP}{2TP+FP+FN} \]