机器学习中的评价指标理解

精准率与召回率

看到的很多文章好像都挺喜欢用正类反类来作为例子进行公式说明。
但我在理解之后，觉得这样好像不是十分妥当。
一是，针对我的业务我可能需要去理解什么是正类，什么是反类，不是label为0就是反类吧。
二是，基于一，就有了问题，何为正？何为反？正反的定义对于指标的理解是否有意义或是帮助？我认为，正反的定义是不必要的。

所以，我觉得。直接使用（某类-另一类）或（某类-[其它类]）可以更好的理解指标意义。
总而言之，精准率与召回率指标的定义与所谓正反是无关的，它是基于某类的。
所以：
精准率：某类预测量中实际正确所占比例
召回率：某类实际量中预测正确所占比例

使用某类则可以直接扩展到多类的场景而不需要做什么多余的改变。每个类别都会有自己的精准率与召回率，所以使用某类。
例子就贴一张sklearn.metrics计算的几个指标值以及混淆矩阵，可以手动带入公式看看具体是怎么算的，有助于理解。

classification report中的avg是使用加权平均计算的，权为样本数量。