首先，我发现“准确性”有时有点误导，因为它指的是不同的事物：

用于评估系统或方法的一般术语准确性（我是分析化学家）是指预测的偏差，即它回答了平均预测有多好的问题。

如您所知，有许多不同的性能度量可以回答分类器性能的不同方面。其中之一恰好也被称为准确性。如果你的论文不适合机器学习/分类的读者，我建议你把这个区别说得很清楚。即使对于准确性的这种更具体的含义，我也会非常明确地说明我所说的准确性，因为可能会出现几种处理类别不平衡的方法。通常，类不平衡被忽略，导致众所周知的计算。但是，您也可以使用敏感性和特异性的平均值，这相当于通过加权平均值来控制类别不平衡。$\frac{TP+TN}{all~cases}$

F 分数通常作为精度和召回率（或正预测值和灵敏度）的调和平均值引入。对于您的问题，我认为进一步说明并简化它会有所帮助：

$F = \frac{2 \cdot precision \cdot recall}{precision + recall} = \frac{2 \frac{TP}{all~P} \frac{TP}{all T}}{\frac{TP}{all~P} + \frac{TP}{all T}} = \frac{2 \frac{TP^2}{all~P \cdot all T}}{\frac{TP \cdot all~T}{all~P \cdot all T} + \frac{TP \cdot all~P}{all~P \cdot all T}} = \frac{2~TP^2}{TP \cdot all~T + TP \cdot all~P} = \frac{2~TP}{all~T + all~P}$

最后一个表达式不是我能想到的某组测试用例的一小部分。特别是，预计 TRUE 和 POSITIVE 案例之间会出现（大量）重叠。这将使我无法将 F 分数表示为百分比，因为那种意味着一定比例的案例。实际上，我想我会警告读者，F-score 没有这样的解释。

快速回答：

不，F-measure公式不包含TN因子，它对检索问题^（doc）很有用。

因此，它是 ( F-measure) 评估不平衡数据集或在检索问题情况下的正确方法，而不是accuracyand ROC。

Accuracy = (TP+TN) / (TP+FP+FN+TN)

F1_Score = 2*(Recall * Precision) / (Recall + Precision)
# or
F1_Score = 2*TP / (2*TP + FP + FN)

[注意]：

Precision = TP / (TP+FP)

Recall = TP / (TP+FN)