recall and precision

1. 定义

通俗的讲，Precision 就是检索出来的条目中（比如网页）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了

以为检索为例：

	相关	不相关
检索到	A	B
未检索到	C	D

A：检索到的，相关的                （搜到的也想要的）
B：检索到的，但是不相关的          （搜到的但没用的）
C：未检索到的，但却是相关的        （没搜到，然而实际上想要的）
D：未检索到的，也不相关的          （没搜到也没用的）

P=A/A+B; R=A/A+C

不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：

正确率 = 700 / (700 + 200 + 100) = 70%

召回率 = 700 / 1400 = 50%

F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%

不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：

正确率 = 1400 / (1400 + 300 + 300) = 70%

召回率 = 1400 / 1400 = 100%

F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%        

 由此可见，正确率: 评估捕获的成果中目标成果所占得比例；

                    召回率:  从关注领域中，召回目标类别的比例；

                    F值:   综合这二者指标的评估指标，用于综合反映整体的指标。

2. 指标

   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：

很容易理解，F综合了P和R的结果，当F较高时则比较说明实验方法比较理想，但系数为1时候就是我们常见的F1