通常来说，在机器学习分类项目中，我们一般：
用precision来评估某类别分类的准确性；
用accuracy来评估总体分类的准确性。
但对于一些数据数量占比不平衡的数据集来说，计算分类的准确性就不能单单依靠precision和accuracy，
还要考虑recall和F1-score。
在文献中经常用以下算式来定义他们，
（Fm为F1-score的均值）
其中TP=True Positive，TN=True Negative，FP=False Positive，FN=False Negative
这是因为把它假设成为了一种含有两个标签的分类问题（个人猜测源于医学检查中的真阳性、真阴性、假阳性、假阴性）：
标签有Positive和Negative（你也可以写成下面例子中的cat与dog）。
True和False则表示预测的对不对。
比如现在有一个数据集，其中有{cat:5, dog:100}，可以看出两种类别数量严重失衡。
经过机器学习模型分类后，生成了如下混淆矩阵：
| cat | dog | |
| cat | 4 | 1 |
| dog | 20 | 80 |
（1）对于cat来说：
| cat | dog | |
| cat | 4(TP) | 1(FP) |
| dog | 20(FN) | 80(TN) |
precision=TP/(TP+FP)= 4/(4+1) = 4/5 = 0.80
=预测为cat实际为cat数量 /（预测为cat实际为cat数量+预测为dog实际为cat数量=cat的总数）
recall=TP/(TP+FN)= 4/(4+20)= 0.167
=预测为cat实际为cat数量 /（预测为cat实际为cat数量+预测为cat实际为dog数量）
Fm=2*precision*recall/(precision+recall) =2*0.8*0.167 / (0.8+0.167) = 0.276
accuracy=(TP+TN)/(TP+TN+FP+TN) = (4+80) / (4+80+1+20) = 0.8
（2）对于dog来说：
| dog | cat | |
| dog | 80(TP) | 20(FP) |
| cat | 1(FN) | 4(TN) |
precision=TP/(TP+FP) = 80/(80+20) = 80/100 = 0.80
=预测为dog实际为dog数量 /（预测为dog实际为dog数量+预测为cat实际为dog数量=dog的总数）
recall=TP/(TP+FN) = 80/(80+1) = 0.988
=预测为dog实际为dog数量 /（预测为dog实际为dog数量+预测为dog实际为cat数量）
Fm=2*precision*recall/(precision+recall) =2*0.8*0.988/ (0.8+0.988) = 0.884
accuracy=(TP+TN)/(TP+TN+FP+TN) = (80+4) / (80+4+20+1) = 0.8
我们可以发现，对于cat和dog，precision都是0.8，但他们的recall和F1-score是不一样的，dog的F1-score比cat高很多。
这与我们直观理解是相符的，（从100个数据中分辨对80个数据）通常比（从5个数据中分辨对4个数据）可靠度高。