Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;true positives；false positives;false negatives..

原文: http://blog.csdn.net/t710smgtwoshima/article/details/8215037

Recall(召回率);Precision（准确率）;F1-Meature（综合评价指标）;

 

    在信息检索(如搜索引擎)、自然语言处理和检测分类中经常会使用这些参数，介于语言翻译上的原因理解难免出现误差，下面介绍下自己对他们的理解。

 

首先来个定义：

Precision:被检测出来的信息当中 正确的或者相关的（也就是你想要的）信息中所占的比例；

Recall：所有正确的信息或者相关的信息(wanted)被检测出来的比例。

F1-Meature后面定义。

 

查了资料都习惯使用四格图来解释,来个易懂的四格图：

	正确的、相关的（wanted）	不正确的、不相关的
检测出来的	true  positives (纳真tp)	false  positives（纳伪fp）
未检测出来的	false  negatives（去真fn）	true  negatives  (去伪tn)

 

 

表格中的翻译比较重要，可以帮助理解。

true positives (纳真)    false positives（纳伪）

false negatives（去真）true negatives  (去伪)

其中false positives（纳伪）也通常称作误报，false negatives也通常称作漏报！

 

Precision =   tp/(tp + fp);

Recall = tp / (tp + fn).

同样还有另外两个定义

然而在实际当中我们当然希望检索的结果P越高越好，R也越高越好；事实上这两者在某些情况下是矛盾的。比如，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低；而如果我们把所有结果都返回，那么必然R是100%，但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验，可以绘制Precision-Recall曲线来帮助分析。

 

F-Measure是Precision和Recall加权调和平均：

当参数a=1时，就是最常见的F1了：

很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。