Accuracy，Precision，Recall的区别

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%。