將資料探勘中這些評測指標的基本概念做一整理，忘了的時候還可以來查一查。

精確度，有時也叫正確率，是英文中的precision而不是accuracy。表示正確識別為此類的樣本數目（TP）/識別為此類的樣本總數目（TP+FP）。FP就是那些原本不是此類但被錯誤的分為此類的樣本數目。

召回率，這個名稱容易使人把它和召回缺陷產品的比率聯想到一起，完全不是一碼事。所以另外一種翻譯的名稱更合適：查全率。表示正確識別為此類的樣本數目（TP）/真實情況下的此類的樣本數目（TP+FN）。那麼真實情況包括哪些呢？一部分自然是正確分類的TP，另一部分就是那些被錯誤地分到了其他類的樣本數目（FN）

所以，公式：
P=TP/(TP+FP)
R=TP/(TP+FN)

還是舉個例子吧。網上多數介紹僅用兩個分類舉例，所以容易把FP和FN錯誤的當成一個數，其實應該是多個數的和。這裡我舉個3分類的例子。假定我們有24個樣本，真實情況是10個red類，8個yellow類，6個blue類。

用weka做了個例子，假定系統給出的結果如下：
 a b c   <-- classified as
 9 1 0 | a = red
 1 7 0 | b = yellow
 1 1 4 | c = blue

是這樣看的：橫向為真實情況，縱向為工具分類結果。即：有11個樣本被當作red類。而這11個樣本中，有9個確實是red類，還有一個其實是yellew，另一個其實是blue；有9個樣本被當作yellow類。這9個樣本當中，有7個確實是yellow，還有一個其實是red，另一個其實是blue；有4個樣本被當作blue類。而這4個樣本也確實是blue。

那麼根據前面的公式，可以對red、yellow、blue分別計算正確率和查全率了。

P(red)=9/11  R(red)=9/10
P(yellow)=7/9  R(yellow)=7/8
P(blue)=4/4  R(blue)=4/6

那麼我們從直觀上感覺一下分類的好壞，正確率雖然很關鍵，但光有正確率是不夠的。比如blue，正確率是100%，但其實只是把2/3的資料挑出來了，還有1/3搞錯了。那麼更極端的假想一下，如果某一類實際上有10000個樣本，最後只分出一個，對是對了。此時正確率還是100%，但我們能認為這個分類結果是可以接受嗎？顯然不行。所以P值和R同時要比較高才好。於是有了F指標：

F=2*P*R/(P+R)

最後再來說說accuracy，這個通常翻譯成準確率。也是一個綜合指標：
A=(TP + TN)/(P+N)，表示正確分類的樣本數目/所有樣本總數目。同樣，這個分子的寫法也容易讓人誤認為是兩個數的和，其實不止。
對於上面那個例子來說，準確率應該是:
A=(9+7+4)/(10+8+6)