假设我们有一个邮件分类系统,用于区分垃圾邮件(正类)和非垃圾邮件(负类)。系统对100封邮件进行了分类,并给出了预测结果。统计结果如下:
- TP(True Positives):系统预测为垃圾邮件且实际也是垃圾邮件的邮件数量 = 60封。
- FP(False Positives):系统预测为垃圾邮件但实际不是垃圾邮件的邮件数量 = 10封。
- FN(False Negatives):系统预测为非垃圾邮件但实际是垃圾邮件的邮件数量 = 20封。
- TN(True Negatives,虽然题目没直接问,但为完整性给出):系统预测为非垃圾邮件且实际也是非垃圾邮件的邮件数量 = 100 - 60 - 10 - 20 = 10封。
现在我们可以计算Precision和Recall的值:
- Precision(精确率) = TP / (TP + FP) = 60 / (60 + 10) = 60 / 70 ≈ 0.8571 = 85.71%
- 这意味着在系统标记为垃圾邮件的邮件中,有85.71%是真正的垃圾邮件。
- Recall(召回率) = TP / (TP + FN) = 60 / (60 + 20) = 60 / 80 = 0.75 = 75%
- 这意味着在所有实际的垃圾邮件中,系统找出了75%的垃圾邮件。
-
邮件总数 = TP + TN + FP + FN = 60 + 10 + 10 + 20 = 100封。
分类正确的邮件数量 = TP + TN = 60 + 10 = 70封。
因此,Accuracy(准确率) = 分类正确的邮件数量 / 邮件总数 = 70 / 100 = 0.7 = 70%。