深度学习模型常见评价指标准确率Accuracy、精确率Precision、召回率Recall、 F1分数F1 score分辨

1. 前言

在机器学习和数据科学领域，评估模型性能是至关重要的一步。准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1 Score）是常用的性能评估指标。尽管它们经常被提及，但它们各自的含义和适用场景可能并不总是清晰的。本文将对这些指标进行详细解释，并说明它们之间的区别。

• 准确率 - accuracy
• 精确率 - precision
• 召回率 - recall
• F1分数-F1 score
• 混淆矩阵-confusion matrix

2. 混淆矩阵

对于二分类问题，每一条数据要么预测正确，表示为1；要么预测错误，表示为0（注意这里是预测结果正确与否，而不是预测结果是0还是1），而事物本身也是被分为0（负样本）和1（正样本）两类。

此处缩写标签一定要理解，否则无法继续理解，可尝试画出下面的混淆矩阵缩写😊😊😊

• TP：True&Positive（positive表示正样本，true表示预测正确ÿ