怎么來的？

????我們平時用的精度accuracy，也就是整體的正確率

????????acc = predict_right_num / predict_num

這個雖然常用，但不能滿足所有任務的需求。比如，因為香蕉太多了，也不能撥開人工的一個一個的看它的好壞(我愛吃啊，想想就心疼)，此時我們就需要有一種方法，代替撥開香蕉這種粗魯的手段。這時我們需要通過一些測試，看看哪種方法能更加準確的預測。我們可以通過

????“準”：預測的準確度，就是我預測的結果中真正好的香蕉要越多越好；

????“全”：就是所有的好的香蕉預測出來的越多越好，雖然把有些壞的也預測是好的了，那也不管，“全”就行。

其實這兩者都想要達到就好了，但是不行的：

????比如"準",我就預測一個算了，好的香蕉肯定比壞的比例高，也就是我只預測一個，100%比例幾率最大了，這時就不“全”了，海域好多好的不能都當成壞的扔了吧。。

? ? 再比如"全",我去全部預測成好的這真正好的都在我的預測里，也就是100%。可是這時的"準"就賊不準了。。

? ? 所以就必須來平衡這倆同志的關系了，怎么平衡呢？肯定是通過權重來的呀，此時，F值登上歷史舞臺!

啥意思捏？

? ? 實例化講解吧。比如我們的香蕉中 1 表示好的，0表示壞的，有10個香蕉：

? ? ? ?gold : ? ? [ 1，1，1，1，1，0，0，0，0，0 ]

? ? ? ?pred： ? [ 1，0，1，1，1，1，1，0，0，0 ]

? ? 注釋：gold是現實的好壞；pred是預測的好壞。

????P(Precision) 查準率：就是上面說的"準"。字面意思好理解呀，就是在預測當中查找準確個數的比例。公式為：

? ? ? ? P = 真正預測準確的數量 / 預測是準確的數量 = 4 / 6

? ? R(Recall) 查全率：就是上面的"全"。根據字面理解，在預測中看看真正預測對的占全有對的比率。公式為：

? ? ? R =?真正預測準確的數量 / 所有真正好的數量 = 4 / 5

? ? F值是：

? ? ? ? F(k) = ( 1 + k ) * P * R / ( ( k*k ) * P + R )

????????注釋：k>0 度量了 查全率 對 查準率 的相對重要性。k>1查全率有更大影響；k<1查準率有更大影響。

????????在這個實例中可以表示為：k>1就是查全率有更大影響，就是好的香蕉最好都預測出來，因為你覺得不想把好的當成壞的扔點( 真可惜，我愛吃啊 ) ；k<1查準率有更大影響，就是一定要準確，省時間，省力更重要，不在乎好的香蕉當壞的扔點。

? ? 而我們常用的是F1，就是F(1)的意思，k=1，比如我們做一個分類任務，這幾個類覺得都一樣重要。此時：

????????F(1) = 2 * P * R / ( P + R )

代碼實現：

? ? 背景：用evalList的長度是我需要求的P，R，F1的個數，比如我的實驗是立場檢測，分類為FAVOR(支持)，AGAINST(反對)，NONE(中立)。而NONE一般不考慮，只要求得FAVOR，AGAINST各自的P，R，F1，然后F1求個平均即可。比如這個論文的數據：

from Stance Detection with Bidirectional Conditional Encoding paper

? ? 這時我的evalList里有兩個數據分別表示FAVOR，AGAINST各自的P，R，F1值。

????這個P，R，F1的代碼為：

code print

就這樣吧。應該講的很詳細了！

作者：zenRRan
鏈接：https://www.jianshu.com/p/6536d584d5fd
來源：簡書
簡書著作權歸作者所有，任何形式的轉載都請聯系作者獲得授權并注明出處。

轉載于:https://www.cnblogs.com/yourcool/p/9609538.html

總結

以上是生活随笔為你收集整理的详谈P(查准率)，R(查全率)，F1值的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。