二分類中的precision，recall，F1值計算(舉例)

  二分類中的混淆矩陣中有以下4種標記：

預測(列)/label(行)	正樣本	負樣本
正樣本	TP(真正例)	FN(假反例)
負樣本	FP(假正例)	TN(真反例)

  TP(真正例) :將正樣本預測爲正樣本
  FN(假反例)：將正樣本預測爲負樣本
  FP(假正例)：將負樣本預測爲正樣本
  TN(真反例):將負樣本預測爲負樣本
  說明：後面的字母表示預測結果，前一個字母表示是否預測正確
precision：表徵分類器的分類效果(查準效果)，它是在預測爲正樣本的實例中預測正確的頻率值，故，
$P = \frac {TP}{TP+FP}$
recall:表徵某個類的召回(查全)效果，它是在標籤爲正樣本的實例中預測正確的頻率，故：
$R=\frac{TP}{TP+FN}$
f1值:即用來衡量precision和recall的值，它是這個兩個值的調和均值，其中，
$F=\frac{(1+a^2)PR}{a^2(P+R)},當a=1時即F1-score$

舉個例子

label	0	0	1	0	1	1	0	1	0	1
predict	1	0	1	0	0	1	0	0	0	1

TP：真正例：即將正樣本預測爲正樣本， 3
TN：真反例：即將負樣本預測爲負樣本，4
FP：假正例：將負樣本預測爲了正樣本，1
FN：假反例：將正樣本預測爲了負樣本，2
所以P=3/(3+1)=0.75,R=3/(3+2)=0.6,f1=20.750.6/(0.75+0.6)=0.67