准确率和召回率

准确率（Precision）和召回率（Recall）是机器学习和信息检索中常用的两种评估指标，它们都是衡量模型性能的重要指标。

准确率（Precision） 是用来衡量预测结果中真正为正类的比例，即预测为正类的样本中有多少是真正的正类。公式定义为：Precision = TP / (TP + FP)，其中TP表示真正的正类，FP表示误判的负类。所以，准确率的值在0到1之间，值越大表示模型预测的正类准确性越高2。

召回率（Recall） 则是用来衡量模型能够找出所有实际存在的正类的比例，即所有真实的正类被模型找出的比例。公式定义为：Recall = TP / (TP + FN)，其中TP表示真正的正类，FN表示模型未能识别出的正类。因此，召回率的值也在0到1之间，值越大表示模型能够找出更多的正类2。

在实际应用中，准确率和召回率往往是相互矛盾的，追求高准确率就可能会牺牲召回率，反之亦然。例如，在癌症诊断中，如果一个模型的准确率非常高，但是它没有识别出所有的癌症患者，那么这个模型的召回率就会很低。相反，如果一个模型的召回率非常高，但是它错误地诊断了许多非癌症患者，那么这个模型的准确率就会很低。因此，通常需要通过调整模型或调整评价指标，使得准确率和召回率达到一个合理的平衡5。