机器学习中的准确率，精确率和召回率

准确率（正确率）：Accuracy

精确率（查准率）：Precision

召回率（查全率）：Recall

精确率：分母是预测到的正类，精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检，也不能让现有的预测有错)
召回率：分母是原本的正类，召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的，也能接受)

以地震的预测为例，如果需要一个地震预测模型（某一天地震为正样本，不地震为负样本），预测接下来100天的地震发生情况。
假设已知第50和51天会发生地震，其余的1-49和51-100天不会发生地震，由于精确率和召回率不可兼得，所以面临的选择是提升其中一个率。
（1）保证精确率，为了不预测出错，预测了第50天可能地震，此时：
精确率：1/1 = 100%；召回率：1/2 = 50%
虽然有一次地震没预测到，但是所有的预测结果都是正确的。
（2）保证召回率，为了不漏报，预测了第30、50、51、60天可能地震，此时：
精确率：2/4 = 50%； 召回率：2/2 = 100%
虽然有两次预测错误，但是所有可能发生地震的情况都被预测到了。

不同应用场景下，需要的评价标准不一样，所以会有不同的率，例如：
预测地震–不能接受漏报；人脸识别支付–不能接受误检
基于以上需求，预测地震：主要提升召回率，更倾向于宁愿多预测一些错的也不能漏检；人脸识别支付：主要提升精确率，更倾向于不能出现错误的预测。