Precision、Recall、F計算：舉例

假設標籤：a,b,c,d,e

---

對於標籤a：正=a，負=其他（b,c,d,e）
TP：實際=正，預測=正（true positives）
（預測=a 且 實際=a 的個數；a被判定爲a）
FP：實際=負，預測=正
（預測=a 情況下，實際=b, c, d, e 的個數；其他被判定爲a）
FN：實際=正，預測=負（false negatives）
（實際=a 情況下，預測=b, c, d, e 的個數；a被判定爲其他））
TN：實際=負，預測=負
（其他被判定爲其他，且正確，如b判定爲b）

---

---

有14個數據需要預測

序號	1	2	3	4	5	6	7	8	9	10	11	12	13	14
實際 y_real	b	b	b	b	b	c	c	c	c	d	d	d	e	e
預測 y_pred	b	b	b	a	a	c	c	d	d	d	e	d	e	d

計算：

數量	a	b	c	d	e	sum
TP	0	3	2	2	1	8
FP	2	0	0	3	1	6
FN	0	2	2	1	1	6
TN	？	？	？	？	？	？

注：

1. PN（a）= b判定爲b + c判定爲c +…= 8（除了a）
2. ？ FN（a） + TP（a） = 實際a的個數 （y_real）
   ？ TN（a） + FP（a） =實際其他的個數 （y_real），除了a
   ？ FN（a） + TP（a） + TN（a） + FP（a）= 數據總個數 = 14

Precision = TP / (TP + FP) = 8/(8+6)
Recall = TP / (TP + FN) = 8/(8+6)
F1 = 2*(P*R)/(P+R) = …

---

---

擴展：
tensorflow 中的混淆矩陣：confusion_matrix，矩陣cm

實際 \ 預測 （數量）	a	b	c	d	e
a	0	0	0	0	0
b	2	3	0	0	0
c	0	0	2	2	0
d	0	0	0	2	1
e	0	0	0	1	1

注：
4. cm[0][0] ： 實際=a，預測=a的個數
5. cm表格中的總數 = 數據個數 = 14
6. TP = 對角線之和
FP = 第一列（除了[a][a]）之和+ 第二列（除了[b][b]）之和+… = 2+0+0+3+1=6
FN = 第一行（除了[a][a]）之和+第二行（除了[b][b]）之和+… = 0+2+2+1+1=6

https://www.cnblogs.com/techengin/p/8962024.html

#coding:utf-8
from sklearn.metrics import confusion_matrix
import numpy

# 0,1,2,3,4
# a,b,c,d,e
# b	b	b	b	b	    c	c	c	c	d	     d	d	e	e
y_true = [1,1,1,1,1, 2,2,2,2,3, 3,3,4,4]

# b	b	b	a	a	   c	c	d	d	d	     e	d	e	d
y_pred = [1,1,1,0,0, 2,2,3,3,3, 4,3,4,3]
cm = confusion_matrix(y_true, y_pred,labels=[0,1,2,3,4])
print(cm)
# print(type(cm)) # <class 'numpy.ndarray'>

# if cm = 2*2，即二分類
# TP = cm[0][0]
# FP = cm[0][1]
# FN = cm[1][0]
# TN = cm[1][1]
# tn, fp, fn, tp = cm.ravel()