分類評分

在分類模型中，理解機器學習算法的性能是很重要的，以下我們先用二分類模型討論。一些有用的統計數字包括：

• 準確性（Accuracy）：準確性是正確標記的機會比例，
  
  其中，TP是真正例的數量，TN是真負例的數量，FP是假正例的數量，FN是假負例的數量。

• 精度（Precision）：精度是預測為正例中真正例的比例，
  

• 召回率（Recall）：召回率是所有正例中真正例的比例，
  

• F1分數：對於分類應用，準確性可能不是一個足夠的分類評分。假設模型預測後，負例（標籤‘0’）比正例（標籤‘1’）多很多。在這種情況下，一個預測每個案例都是負例的分類器(他亂猜，啥給他都說是0)會有超高準確性，即使召回率=0且精度未定義。F1分數沒有這些缺點，採用的是評估分類器在精度和召回率等權重調和平均數：
  

下表描述了二元分類的四個特殊且有問題的情況。F1分數在其中兩種情況下未定義。因此當Scikit-learn在沒有觀察到1或沒有預測到1的樣本上計算F1時，會print一個警告（UndefinedMetricWarning），並將F1值設為0。

二元分類的四個特殊情況