准确率 召回率_准确率与召回率

准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。

准确率确实是一个很好很直观的评价指标，但是有时候准确率高并不能代表一个方法（算法）就好。比如某个地区某天地震的预测，假设我们有一堆的特征作为地震分类的属性，类别只有两个：0：不发生地震、1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那那么它就可能达到99%的准确率，但真的地震来临时，这个分类器毫无察觉，这个分类带来的损失是巨大的。为什么99%的准确率的分类器却不是我们想要的，因为这里数据分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的准确率却忽视了我们关注的东西。再举个例子说明下。在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc也有 99% 以上，没有意义。因此，单纯靠准确率来评价一个算法模型是远远不够科学全面的。

因此就有了召回率的概念。

在理解召回率前，首先了解一下混淆矩阵。

混淆矩阵

True Positive(真正，TP)：将正类预测为正类数

True Negative(真负，TN)：将负类预测为负类数

False Positive(假正，FP)：将负类预测为正类数误报 (Type I error)

False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error)

那么准确率可以用下面公式表示：

accuracy=TP+TN/（TP+FN+FP+TN）

那么召回率可用下面公式：

recall=TP/(TP+FN)

召回率是覆盖面的度量，度量有多个正例被分为正例。

接下来举个简单的例子理解一下召回率。

比如一个道路科研工作者，他手里有一堆路面的照片（一共100张），其中一些照片中拍摄的路面是正常的（60张），另外一些则是有病害的（40张）。于是他建了一个模型，想用这个模型来自动判别拍摄的照片有没有病害。最终的结果是，60张正常路面图片中50张被识别为正常路面，10张被识别为病害路面，40张病害图像中30张别识别为病害图像，10张被识别为正常图片。该模型重点关注的是多少病害被识别出来，因此使用混淆矩阵进行记录如下：

所以该模型的准确率为：

accuracy=TP+TN/（TP+FN+FP+TN）=（30+50）/100=80%

召回率为：

recall=TP/(TP+FN)=30/（30+10）=75%

大家明白了么？

欢迎关注我的微信公众号：灵隐杂谈