评估分类模型的指标：召回率、精确率、F1值

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。

• 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)；
• 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)；
• 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)；
• 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：