算法测试中的召回率和精确率详解

基本概念

• TP（True Positive）：正确的正例，一个实例是正类并且也被判定成正类
• FN（False Negative）：错误的反例，漏报，本为正类但判定为假类
• FP（False Positive）：错误的正例，误报，本为假类但判定为正类
• TN（True Negative）：正确的反例，一个实例是假类并且也被判定成假类

召回率

召回率=TP/（TP+FN）

精确率

精确率=TP/（TP+FP）

举例说明

有一堆苹果，好苹果100个，坏苹果100个，因为吃坏苹果会拉肚子，所以要把好苹果挑出来，不能出现误报（把坏苹果识别成好的）。因为要把苹果拿出来卖，为了挣钱，出现几个坏苹果也没关系，不能出现漏报（把好苹果识别成坏的）。所以在算法中就会有权重的设置，来权衡关系。

第一轮结果

召回率=89/（89+11）=89% ------------- 召回率较低，原因是漏报较多。（可能把有斑点的苹果识别成坏的了，妨碍挣钱）
精确率=89/（89+1）=98.8% ------------ 误报少，精确率高

第二轮结果 （为优化召回率低问题，将部分斑点调整为好苹果）

召回率=98/（98+2）=98% ---------------------- 漏报少，召回率高
精确率=98/（98+12）=89.1% ------------------ 误报比第一次多，因为有些斑点被识别为好苹果了，吃了坏苹果拉肚子

结论

召回率越高，漏报越少。精确率越高，误报越少。但大多数情况下，两者会相互制约。