对于以上参数的概念以及理解，请参考我的文章：

机器学习中TP，TN，FP，FN，Acc，Pre，Sen, Rec的含义_汤宪宇的博客-CSDN博客_机器学习accz

 这里我们在将上面概念的定义重新梳理一遍：

1.概念

TP：true positive，被判定为正样本，事实上也是正样本；

TN：true negative，被判定为负样本，事实上也是负样本；

FP：false positive，被判定为正样本，但事实上是负样本；

FN：false negative，被判定为负样本，但事实上是正样本；

精确度Precision：

召回率Recall：

2.举例说明

这里以二分类为例，分类结果为0和1，共有15个需要预测的结果。

假设真值和预测值结果如下：

真值	0	1	1	0	1	1	0	0	1	0	1	0	1	0	0
预测值	1	1	1	1	1	0	0	0	0	0	1	1	1	0	1

 2.1 对于结果“1”来说

TP为预测为1，真值也为1的值，即图中深绿色底色的值，共有5个；

TN为预测为0，真值也为0的值，即图中橙色底色的值，共有4个；

FP为预测为1，但是预测错了，真值为0的值，即图中红色底色的值，共有4个；

FN为预测为0，但是预测错了，真值为1的值，即图中浅绿色底色的值，共有2个；

计算Pre=TP/(TP+FP)=5/(5+4)=55.56%

计算Recall=TP/(TP+FN)=5/(5+2)=71.43%

 2.2 对于结果“0”来说

 TP为预测为0，真值也为0的值，即图中深绿色底色的值，共有4个；

TN为预测为1，真值也为1的值，即图中橙色底色的值，共有5个；

FP为预测为0，但是预测错了，真值为1的值，即图中红色底色的值，共有2个；

FN为预测为1，但是预测错了，真值为0的值，即图中浅绿色底色的值，共有4个；

 

计算Pre=TP/(TP+FP)=4/(4+2)=66.67%

计算Recall=TP/(TP+FN)=4/(4+4)=50%

3. 程序验证

from sklearn.metrics import classification_report

true_data = [0,1,1,0,1,1,0,0,1,0,1,0,1,0,0]
pred_data = [1,1,1,1,1,0,0,0,0,0,1,1,1,0,1]

print(classification_report(true_data, pred_data))

得到的结果如下：

              precision    recall  f1-score   support

           0       0.67      0.50      0.57         8
           1       0.56      0.71      0.63         7

    accuracy                           0.60        15
   macro avg       0.61      0.61      0.60        15
weighted avg       0.61      0.60      0.60        15

和我们上面的计算一致。

4. 个人的理解

Recall的意思是溯源，看源头也就是真实值当中，有多少预测对了。

Precision的意思是精确度，看预测为positive的准确度是多少（预测为Postive中，真是为Postive的比例）