查准率和查全率

查准率和查全率

Machine learning 中查准率（Precision）、查全率（recall）和Accuracy。 
表示分类正确： 
True Positive：本来是正样例，分类成正样例。 
True Negative：本来是负样例，分类成负样例。 
表示分类错误： 
False Positive ：本来是负样例，分类成正样例，通常叫误报。 
False Negative：本来是正样例，分类成负样例，通常叫漏报。

Precision/Recall	实际	分类
预测分类	1	0
1	true positive	false positive
0	false negative	true negative

Precision = true positive / ( true positive + false positive); 

Precision =预测正确正/(预测正确正+预测错误正) 查准率

Recall = true positive / ( true positive + false negative); 查全率

Recall =预测正确正/(预测正确正+预测错误的负)
Accuracy = (true positives + true negatives) / (total examples) 

Accuracy = (预测正确正+预测正确负)/总样本
下面说说个人理解： 
查准率呢，就是看看我们算法预测是否分类为1中有实际为0的误报成分。 
查全率呢，就是看看我们算法预测是否漏掉了一些该分类为1的，却分类为0的，也就是漏报了的。

查准率和查全率是对分类任务中的其中一个类别来说的。

假如一个分类任务中有A，B，C.......好多类。

假如整个用于测试的样本有200个（其实查准率与查全率与测试样本多少个并没有直接的关系）。

我们把A类单拉出来：
假设A类别总共有80个样本，但是预测的时候机器学习系统说一共有70个A类别的样本。这就有问题了，且不说70个A类别的数对不上，而且你70个里边还有一些是其他类别吧。你既然预测出来结果了，那么我们就要想办法衡量你的性能。接下来我们将这70个预测结果扒开来看一看就明白了。

70个样本其实真正预测正确的也就是50个，其他的20个不知道是哪些别的类。我们可以这样描述这个现象：机器学习系统查到了70个A类别，其中50个是准确的，所以A类别的查准率为50/70。

但是还有另一个问题，那些个机器学习系统没有查到的A类别呢。就说明它没有查全嘛，有多少没查全呢？从上面可以看出有80个A，它只查到了50个，所以引入了查全率50/80。

这个和博客中查准率和查全率是鱼和熊掌不可兼得的关系，不是很明白。

http://blog.csdn.net/jningwei/article/details/78955536