怎么计算正确率

正确率=正确数/总数*百分之百。例如：总共100题，对了98题，正确率就是98/100=0.98=98%。正确率是指对一个事物表达或描述的正确程度，用来反映对事物的正确性解答；而且正确率为检索到的相关文档除以所有被检索到的文档得到的比率。在实际工作中 ， 通常用标准物质或标准方法进行对照试验 ， 在无标准物质或标准方法时 ， 常用加入被测定组分的纯物质进行回收试验来估计和确定准确度 。

在误差较小时，也可通过多次平行测定的平均值 作为真值μ的估计值。测定精密度好，是保证获得良好准确度的先决条件，一般说来，测定精密度不好，就不可能有良好的准确度。对于一个理想的分析方法与分析结果，既要求有好的精密度，又要求有好的准确度。

错误率（error rate)

错误率则与正确率相反，描述被分类器错分的比例，error rate = (FP+FN)/(P+N)，对某一个实例来说，分对与分错是互斥事件，所以accuracy =1 - error rate；

灵敏度（sensitive）

sensitive = TP/P，表示的是所有正例中被分对的比例，衡量了分类器对正例的识别能力；

特效度（specificity)

specificity = TN/N，表示的是所有负例中被分对的比例，衡量了分类器对负例的识别能力；

精度（precision）

精度是精确性的度量，表示被分为正例的示例中实际为正例的比例，precision=TP/（TP+FP）；

召回率（recall）

召回率是覆盖面的度量，度量有多个正例被分为正例，recall=TP/(TP+FN)=TP/P=sensitive，可以看到召回率与灵敏度是一样的。

其他评价指标

计算速度：分类器训练和预测需要的时间；

鲁棒性：处理缺失值和异常值的能力；

可扩展性：处理大数据集的能力；

可解释性：分类器的预测标准的可理解性，像决策树产生的规则就是很容易理解的，而神经网络的一堆参数就不好理解，我们只好把它看成一个黑盒子。