通俗講解P(查准率)，R(查全率)，F1值

作者： zenRRan 來源：公眾號深度學習自然語言處理

一、怎麼來的？

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

「准」：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"准",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"准"就賊不準了。。

所以就必須來平衡這倆同志的關係了，怎麼平衡呢？肯定是通過權重來的呀，此時，F值登上歷史舞台!

二、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) 查准率：就是上面說的"准"。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佔全有對的比率。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：

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

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查准率有更大影響，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：

三、代碼實現

這裡用核心的代碼幫助上述理解！

我還是用上面的例子：

gold : [ 1，1，1，1，1，0，0，0，0，0 ]

pred： [ 1，0，1，1，1，1，1，0，0，0 ]

我們以數組中為1的index下標作為標籤，那麼gold的是[0,1,2,3,4]裡面的數值代表原始數據為1對應的下標值。

predict的是[0,2,3,4,5,6]

我們來編程求解它的F值！代碼如下：

def cal_f(gold, predict): p_numerator, r_numerator = 0., 0. for entity in predict: if entity in gold: p_numerator += 1 for entity in gold: if entity in predict: r_numerator += 1 return p_numerator, r_numeratorgold = [0,1,2,3,4]predict = [0,2,3,4,5,6]p_denominator = len(predict)r_denominator = len(gold)p_numerator, r_numerator = cal_f(gold, predict)precision = p_numerator / p_denominatorrecall = r_numerator / r_denominatorf1 = 2 * precision * recall / (precision + recall)print("f value:{0}".format(f1))

結果如下：

講解到這，應該講的很詳細了！