分类模型的评判指标
精准率/查准率（Precision）
Precision=TP/（TP+FP），即在所有被预测为 Class_A 的测试数据中，预测正确的比率。
如<<机器学习>>(周志华)中的描述，对一堆西瓜进行分类为好瓜和坏瓜，希望选出来认为是好瓜的准确率尽可能高，则这个概念叫精准率/查准率。
召回率/查全率（Recall）
Recall=TP/（TP+FN），即在所有实际为 Class_A 的测试数据中，预测正确的比率。
如<<机器学习>>(周志华)中的描述，对一堆西瓜进行分类为好瓜和坏瓜，希望尽可能的选出里面所有的好瓜，则个概念叫召回率/查全率
F1Score
F1Score = 2*(Precision * Recall)/(Precision + Recall)
1 | 此处需要注意，P、R、F1Score 在分类问题中都是对某一个分类而言的。如针对一堆西瓜中的好瓜，有P,R,F1Score。对一堆西瓜中的熟瓜，也有P,R,F1Score。 |
1 | 假设一个模型总共可以分10个类，那么对于每一个类都有一套独立的 P、R、F1Score 的值。衡量模型整体质量，要综合看所有10套指标，而不是只看一套。 |
TP
True Positive
TN
True Negative
FP
False Positive
FN
False Positive
欠拟合（Underfitting）
如果一个模型，在训练集上的预测结果就不佳，指标偏低，那一般是欠拟合的问题。
欠拟合多数情况下是因为选定模型类型太过简单，特征选取不够导致的
过拟合（Overfitting）
训练过程中为了尽可能命中训练集所有标签，导致最后训练出来的模型对训练集的验证误差率很低，但是当使用该模型运用在其他验证集或者测试集上时，该模型的误差率陡然增高的现象。
过拟合则可能是模型太过复杂，特征选择不当（过多或组合不当）造成的。
1 | 无论是过拟合问题还是欠拟合问题，增大训练数据量都可能会有所帮助。 |