Precision、Recall和F1分别怎么计算？

直接结论

Precision衡量“预测为正的样本中有多少是真的”，Recall衡量“所有真实正类中找回了多少”，F1是二者的调和平均，只有Precision和Recall都较高时才会较高。

先理解TP、FP和FN

• TP：预测为正，实际也是正。
• FP：预测为正，实际不是正，也就是误报。
• FN：实际是正，但没有预测出来，也就是漏报。

Precision

Precision = TP ÷ (TP + FP)

它回答：

模型报告出来的正类结果中，有多少是正确的？

误报越多，Precision越低。

Recall

Recall = TP ÷ (TP + FN)

它回答：

所有真正的正类中，有多少被模型找到了？

漏报越多，Recall越低。

F1

F1 = 2 × Precision × Recall ÷ (Precision + Recall)

也可以写成：

F1 = 2TP ÷ (2TP + FP + FN)

F1使用调和平均，因此某一个指标很低时，另一个指标再高也难以得到很高的F1。

多分类中的Macro-F1

Macro-F1先分别计算每个类别的F1，再对所有类别做等权平均。每个类别贡献相同，因此少数类不会被大量多数类样本完全掩盖，适合观察类别不均衡任务中的整体分类能力。

面试口述

Precision等于TP除以TP加FP，关注预测为正的结果有多准确；Recall等于TP除以TP加FN，关注真实正类找回了多少。F1是二者的调和平均，只有Precision和Recall都较高时才会较高，适合同时关注误报、漏报以及类别不均衡的任务。