在机器学习问题中，通常需要建立模型来解决具体的问题，那么如何评价模型的好坏，也就是模型的泛化能力呢？
这就需要定义评价指标来衡量模型的优劣。 例如，可以举出准确率(accuracy)、精确率(precision)、召回率(recall)、F1值(F1 score)等指标。 这些度量指标直接或间接与混淆矩阵相关，那么模糊矩阵是什么样的呢？
1. 混淆矩阵
其中：
TP :预测是1，实际上是1，预测是正确的。 FP :预测为1，实际为0，预测错误。 (FN )预测为0，实际为1，预测错误。 (TN )预测为0，实际为0，预测是正确的。 2 .准确率准确率(Accuracy)：预测正确的结果占总样本的百分比，公式如下：
准确率可以判断整体的正确率，但在样本不均衡的情况下，不能作为很好的指标来衡量结果。
3 .准确率精确率(Precision)：对于预测结果，其含义为在被所有预测为正的样本中实际为正样本的概率，公式为：
准确率和准确率看起来有点相似，但是两个完全不同的概念。 准确率表示正样本结果的预测精度，精度表示包括正样本和负样本的整体预测精度。
4 .召回率3358www.Sina.com/是原始样本，其含义为召回率(Recall)，公式为：
5. F1准确率和召回率，又称查准率和查全率，我们通常为在实际为正的样本中被预测为正样本的概率，但实际上是矛盾的，上述两个指标是矛盾体，不能双重提高。 因此，要选择合适的阈值点，根据实际问题需要，如需要高精度，就要牺牲召回率。 要获得高召回率，必须牺牲精度。
于是，可以根据他们的平衡，定义新的指标。希望精确率和召回率都很高F1评分同时考虑准确率和召回率，使两者同时达到最高，达到平衡。 F1分数公式如下。