评估分类模型性能的方法是：混淆矩阵，其总体思路是统计A类别实例被预测（分类）为B类别的次数。召回率(Recall)和精度(Precise)是广泛用于统计学分类领域的两个度量值，用来评估分类结果的质量。

召回率(Recall Rate，也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率； 精度（Precision Rate，也叫查准率）是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。

一、混淆矩阵

要解释清楚精确率和召回率，得先解释混淆矩阵，二分类问题的混淆矩阵由 4 个数构成。

1. 真阴性（True Negatives，TN）：算法预测为负例（N），实际上也是负例（N）的个数，即算法预测对了（True）；
2. 真阳性（True Positives，TP）：算法预测为正例（P），实际上是负例（N）的个数，即算法预测错了（False）；
3. 假阴性（False Negatives，FN）： 算法预测为负例（N），实际上是正例（P）的个数，即算法预测错了（False）；
4. 假阳性（False Positives，FP）：算法预测为正例（P），实际上也是正例（P）的个数，即算法预测对了（True）。

混淆矩阵定义如下：

	预测值0	预测值1
真实值0	TN	FP
真实值1	FN	TP

二、召回率和精准率

对于精确率和召回率：一句话，精确率就是“查的准”，召回率就是“查的全”：

准确率（正确率）：Accuracy

$准确率 = \frac{所有预测正确的样本}{总样本}=\frac{TP+TN}{TP+FN+FP+TN}$

精确率（查准率）：Precision

准确率的含义是：预测为正例的那些数据里预测正确的数据个数

$precision =\frac{将正类预测为正类}{预测的正类}= \frac{TP}{TP+FP}$

召回率（查全率）：Recall

召回率的含义是：真实为正例的那些数据里预测正确的数据个数

$recall =\frac{将正类预测为正类}{原本的正类} = \frac{TP}{TP+FN}$

准确率和召回率的相互关系

准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低；追求召回率高，则通常会影响准确率。若两者都低，则一般是出了某种问题。

F1-score

精准率和召回率是此消彼长的，即精准率高了，召回率就下降，在一些场景下要兼顾精准率和召回率，就有 F1 score。

F1值是来综合评估精确率和召回率，当精确率和召回率都高时，F1也会高。