【机器学习百问】2.精确率与召回率的权衡问题

难度系数（5分制）： 1
精确率与召回率的存在意义： 为解决分类问题中由于数据倾斜造成单一准确率失效问题。
介绍精确率与召回率之前引入一个判定表：

精确率定义Precision： Precision = TP/(TP+FP) 分类正确的正样本个数占分类器判定为正样本的比例，通常也称为查准率；
召回率定义Recall： Recall = TP/(TP+FN) 分类正确的正样本个数占真正正样本的比例，通常也称为查全率；

通俗意义上来说精确率代表了“很有把握”时正样本判定的比例，比如在癌症判定时将分类器的阈值上调为0.9，意味着当一个人有百分之90的概率为癌症患者时才判定他为癌症患者。
相反的召回率代表了“没有把握”时正样本的判定比例，比如将阈值下调为0.1，意味着当一个人有百分之10以下的概率为癌症患者时才判定他为健康人。
显然这两个标准都不能对模型的性能进以全面的评价，故需要对其进行权衡融合，使其能够相辅相成的全面评价一个模型的优劣。

最佳权衡方法： 使用精确率和召回率的调和平均值（F1 score）F1 = 2PR/(P+R)；