前言

在使用机器学习，通常都会面对一种情况，

单一评估指标

应用机器学习主要可以分为三个过程想法、编码、看效果。当最开始面对一个需要解决的问题时候，我们往往都会有一个想法，然后根据我们的想法来进行编码，再来看算法的效果。为了优化算法的性能指标我们会产生一些新的想法，然后再进行编码，再如此循环。

下面通过一个例子来说明查准率和查全率，假设我们有一个猫狗分类器，一共有100张图片，其中猫和狗的图片各占50占，预测结果用一个表格说明。

上表表示的是其实是一个混淆矩阵,对角线表示的是预测的类标和真实的类标是一致的。这里将猫被称为正例，狗被称为反例。50张猫的图片，有30张图片预测正确也就是真正例(TP)，还有20张猫的图片被预测成了狗也就是假反例(FN)。50张狗的图片，有40张图片被正确的预测了也就是真反例(TN)，还有10张狗的图片被预测称为了猫也就是假正例(FP)。

查准率(precision)：也被称为精准度，计算公式如下

查准率

查全率(recall)：也被称为召回率，计算公式如下

查全率

查准率其实就是对于某一类预测结果，预测正确所占的比例。查准率追求的是预测结果的准确性。而查全率就是对于某一类预测结果，正确找出该类图片所占的比例。查全率追求的是预测结果的全面性。

起初我们有一个猫和狗的分类器A，分类器A的查准率(precision)为95%，查全率(recall)为90%。通过调参和优化模型的算法后，我们获得了一个猫狗分类器B，分类器B的查准率(precision)为98%，查全率(reacall)为85%。

此时面对分类器A和B的时候，我们就会遇到一个问题，到底应该选择哪个分类器？对于精准度而言分类器B的性能要高于分类器A，对于召回率而言分类器A的性能又要优于分类器B。所以这时我们就不知道应该选择哪一个分类器了。

单一评估指标：就是指当遇到上面的这种情况时，我们只需要从查准率和查全率中选择一个指标进行评价即可，可以根据不同指标的不同特性来选择适合于自己系统的指标。如果想同时兼顾查准率和查全率时，可以使用F1 score。通过上表可以发现，通过F1 score我们可以很快就挑选出分类器A要由于分类器B。

F1 socre的计算公式如下：

F1分数

其中P代表查准率，R代表查全率，通过F1 score就可以平衡查准率和查全率的评价指标。F1 score也被称为查准率和查全率的调和平均数。

在有些时候，我们可能会遇到下面这种情况

有时候可能会遇到，对于一个算法而言，需要考察多个不同的指标，这时候我们可以考虑采用多个不同指标的平均值，如果对于某些指标的要求会比较高，这时可以通过调节这些指标所占的权重，来突出这些指标的重要性。

最后，给大家推荐一个非常好的学习人工智能相关知识的平台——微信小程序“八斗问答”，有不懂的问题可以在上面进行免费提问，还有大咖会进行详细解答，还可以与大咖一对一咨询。我现在也已经入驻了“八斗问答”,以后的文章在上面也会同步更新，有不懂的地方欢迎来咨询。

閱讀更多 機器學習之路 的文章

關鍵字: 算法 视频教程 人工智能