机器学习中有三个评价指标，即准确率（accuracy）、精确率（precision）、召回率（recall）和F值（F-measure）。下面对它所表达的意思进行讲解。
分类为题
对于一个二分类问题，它有四种情况：
如果一个实例是正类，它被分为正类，记为 真正(True Positive)；
如果一个实例是正类，它被分为负类，记为 假负(False Negative)；
如果一个实例是负类，它被分为正类，记为 假正(False Positive)；
如果一个实例是负类，它被分为负类，记为 真负(True Negative)。
在表格中可以表示为：
| 真实1 | 真实0 | |
|---|---|---|
| 预测1 | TP | FP |
| 预测0 | FN | TN |
准确率、精确率、召回率、F值
1.准确率(Accuracy)
即所有预测都正确的比率：
2.精确率(Precision)
查准率，全部预测为1中实际标签为1的比率：
3.召回率(Recall)
查全率，实际标签为1中正确预测为1的比率：
4.F值(F-measure)
F-measure是Precision和Recall的加权调和平均：
当参数α=1时，就是常见的F1，即
精确度和召回率成负相关，即其中一个变大，另一个就会变小，我没期望两个值都越大越好，所以引入了F值，当精确度和召回率都最大时F值达到最大。
代码实现
from sklearn.metrics import precision_recall_fscore_support
precision, recall, f1score, support = precision_recall_fscore_support(y_true, y_pred, beta=1.0, labels=None,
pos_label=1, average=None, warn_for=(‘precision’, ’recall’, ’f-score’), sample_weight=None)
详细信息参考官方文档
