1、兩個最常見的衡量指標是「準確率（precision）」（你給出的結果有多少是正確的）和「召回率（recall）」（正確的結果有多少被你給出了）
這兩個通常是此消彼長的（trade off），很難兼得。很多時候用引數來控制，通過修改引數則能得出乙個準確率和召回率的曲線（roc），這條曲線與x和y軸圍成的面積就是auc（roc area）。auc可以綜合衡量乙個**模型的好壞，這乙個指標綜合了precision和recall兩個指標。
但auc計算很麻煩，有人用簡單的f-score來代替。f-score計算方法很簡單：
f-score = (2*precision*recall) / (precision+recall)
即使不是算數平均，也不是幾何平均。可以理解為幾何平均的平方除以算術平均。
不妨舉這樣乙個例子：某池塘有1400條鯉魚，300只蝦，300只鱉。現在以捕鯉魚為目的。撒一大網，逮著了700條鯉魚，200只蝦，100只鱉。那麼，這些指標分別如下：
正確率 = 700 / (700 + 200 + 100) = 70%
召回率 = 700 / 1400 = 50%
f值 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子裡的所有的鯉魚、蝦和鱉都一網打盡，這些指標又有何變化：
正確率 = 1400 / (1400 + 300 + 300) = 70%
召回率 = 1400 / 1400 = 100%
f值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可見，正確率是評估捕獲的成果中目標成果所佔得比例；召回率，顧名思義，就是從關注領域中，召回目標類別的比例；而f值，則是綜合這二者指標的評估指標，用於綜合反映整體的指標。
當然希望檢索結果precision越高越好，同時recall也越高越好，但事實上這兩者在某些情況下有矛盾的。比如極端情況下，我們只搜尋出了乙個結果，且是準確的，那麼precision就是100%，但是recall就很低；而如果我們把所有結果都返回，那麼比如recall是100%，但是precision就會很低。因此在不同的場合中需要自己判斷希望precision比較高或是recall比較高。如果是做實驗研究，可以繪製precision-recall曲線來幫助分析。
2、綜合評價指標（f-measure）
p和r指標有時候會出現的矛盾的情況，這樣就需要綜合考慮他們，最常見的方法就是f-measure（又稱為f-score）。
f-measure是precision和recall加權調和平均：
當引數α=1時，就是最常見的f1，也即
可知f1綜合了p和r的結果，當f1較高時則能說明試驗方法比較有效。
3、e值
e值表示查準率p和查全率r的加權平均值，當其中乙個為0時，e值為1，其計算公式：
召回率與準確率
召回率和準確率是資料探勘中 網際網路中的搜尋引擎等經常涉及的兩個概念和指標。召回率 recall，又稱 查全率 還是查全率好記，也更能體現其實質意義。準確率 precision，又稱 精度 正確率 以檢索為例，可以把搜尋情況用下圖表示 相關 不相關 檢索到 a b 未檢索到 c d a 檢索到的，相...
召回率與準確率
召回率和準確率是資料探勘中 網際網路中的搜尋引擎等經常涉及的兩個概念和指標。召回率 recall，又稱 查全率 還是查全率好記，也更能體現其實質意義。準確率 precision，又稱 精度 正確率 以檢索為例，可以把搜尋情況用下圖表示 相關 不相關 檢索到 a b 未檢索到 c d a 檢索到的，相...
召回率與準確率
召回率與準確率 fleetyang 召回率和準確率是資料探勘中 網際網路中的搜尋引擎等經常涉及的兩個概念和指標。召回率 recall，又稱 查全率 還是查全率好記，也更能體現其實質意義。準確率 precision，又稱 精度 正確率 以檢索為例，可以把搜尋情況用下圖表示 相關不相關 檢索到 a b ...