精确率和召回率

• 准确率：预测的结果中有多少是正确的，即预测结果中，预测正确的和预测错误的之比（预测准不准，查准了多少）
• 召回率：预测结果中预测对的比上样本中所有对的（召回了多少，查全了多少）
• F-score = (2 * precision * recall) / (precision + recall)
  准确率和召回率通常是此消彼长的，很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了precision和recall两个指标。

例如：
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。

• 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，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高或是Recall比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。