如何计算模型评估的精确率、召回率和F1分数？

精确率、召回率和F1分数是评估分类模型性能的核心指标，尤其适用于不平衡数据集。精确率衡量预测为阳性的样本中有多少是真正的阳性，在假阳性代价高昂的场景（如垃圾邮件过滤）中至关重要。召回率表示实际阳性样本中有多少被正确识别，在漏检阳性样本不可接受的情况（如疾病诊断）下必不可少。F1分数将这两者统一为一个单一指标。 精确率的计算公式为真阳性（TP）除以（TP + 假阳性（FP））。召回率的计算公式为TP除以（TP + 假阴性（FN））。F1分数是精确率和召回率的调和平均数：2 *（精确率 * 召回率）/（精确率 + 召回率）。F1分数提供了一种平衡的评估，在精确率和召回率存在冲突时尤为关键，广泛用于在信息检索和医学检测等场景中客观比较模型。 要计算这些指标，首先使用模型预测结果与真实标签生成混淆矩阵，确定TP、FP、FN的数量。计算精确率 = TP /（TP + FP）。计算召回率 = TP /（TP + FN）。最后，计算F1 = 2 *（精确率 * 召回率）/（精确率 + 召回率）。此过程量化了模型的准确性（精确率）、覆盖率（召回率）以及它们之间的平衡（F1分数），能够支持稳健的模型选择和调优，以优化特定业务需求，如减少欺诈漏检或最大化相关搜索结果。