評估分類模型效能的方法是：混淆矩陣，其總體思路是統計a類別例項被**（分類）為b類別的次數。召回率(recall)和精度(precise)是廣泛用於統計學分類領域的兩個度量值，用來評估分類結果的質量。
召回率(recall rate，也叫查全率)是檢索出的相關文件數和文件庫中所有的相關文件數的比率，衡量的是檢索系統的查全率；
精度（precision rate，也叫查準率）是檢索出的相關文件數與檢索出的文件總數的比率，衡量的是檢索系統的查準率。
要解釋清楚精確率和召回率，得先解釋混淆矩陣，二分類問題的混淆矩陣由 4 個數構成。
混淆矩陣定義如下：
對於精確率和召回率：一句話，精確率就是「查的準」，召回率就是「查的全」：
1， 精確率
準確率的含義是：**為正例的那些資料裡**正確的資料個數」
2，召回率
召回率的含義是：真實為正例的那些資料裡**正確的資料個數
3，準確率和召回率的相互關係
準確率和召回率互相影響，理想狀態下肯定追求兩個都高，但是實際情況是兩者相互「制約」：追求準確率高，則召回率就低；追求召回率高，則通常會影響準確率。若兩者都低，則一般是出了某種問題。
在一組不同閾值下，準確率和召回率的關係如下圖：
4，調和均值
精準率和召回率是此消彼長的，即精準率高了，召回率就下降，在一些場景下要兼顧精準率和召回率，就有 f1 score。
f1值是來綜合評估精確率和召回率，當精確率和召回率都高時，f1也會高
f1的公式為：
有時候我們對精確率和召回率並不是一視同仁，我們用乙個引數
來度量兩者之間的關係。
1，召回率有更大的影響；
如果<1，精確率有更大的影響；
如果=1，精確率和召回率影響力相同，和
形式一樣；
準確率和召回率
【機器學習筆記】：一文讓你徹底理解準確率，精準率，召回率，真正率，假正率，roc/auc
精確率、召回率、f1 值、roc、auc 各自的優缺點是什麼？
精確率和召回率的權衡
2019 09 10 22 17 21 問題描述 精確率和召回率的權衡。問題求解 要回答這個問題首先要明確這兩個概念，精確率是分類正確的正樣本 判定為正樣本的總數 召回率是分類正確的正樣本 真正正樣本的總數。presion 和 recall 是既矛盾又統一的兩個指標，為了提高presion，分類器需...
模型評價指標 精確率，準確率，召回率，F1值
自然語言處理 nlp 機器學習 ml 資訊檢索 ir 等領域,評估 evaluation 是乙個必要的工作,而其評價指標往往有如下幾點 準確率 accuracy 精確率 precision 召回率 recall 和f1 measure。現在我先假定乙個具體場景作為例子。假如某個班級有男生80人,女生...
二分類指標 正確率 精確率 召回率等的區別
我們可以採用一些定量的分類指標來評價乙個二分類器效能的好壞，這些指標往往根據分類器對某個資料集的分類結果進行計算。我們可以使用乙個矩陣來描述分類結果 實際 為正 為負 實際為正 tpfn 實際為負 fptn t p t p 實際為正 且劃分為正的樣本數，真正數。fp f p 實際為負 但劃分為正的樣...