(True Positive , TP):被模型预测为正的正样本。
(False Positive , FP):被模型预测为正的负样本。
(False Negative , FN):被模型预测为负的正样本。
(True Negative , TN):被模型预测为负的负样本。
Recall召回率:真正预测为正样本的样本数占实际正样本的样本数的比率
Precision精确率:真正预测为正样本的样本数占所有预测为正样本的样本数的比例
Accuracy准确率:预测正确的样本占所有样本的比率
F1-core:精确率Precision和召回率Recall的加权调和平均值
Micro-F1:(多分类F1-core)计算总体类别的recall和precision,再算F1;
Macro-F1:(多分类F1-core)对所有类别的的F1-core求平均;
在二分类问题中,计算micro-F1=macro-F1=F1-score,micro-F1和macro-F1都是多分类F1-score的两种计算方式
micro f1= 总体(precision)=总体(recall)
macro f1=(F1a+F1b+F1c)/3(即每一类的F1求平均)