召回率

在做支持向量机的数据分析时，打印了一下classification_report报告结果如下：

    precision    recall  f1-score   support

          0       0.92      1.00      0.96        35
          1       0.96      0.98      0.97        54
          2       0.98      1.00      0.99        44
          3       0.93      0.93      0.93        46
          4       0.97      1.00      0.99        35
          5       0.94      0.94      0.94        48
          6       0.96      0.98      0.97        51
          7       0.92      1.00      0.96        35
          8       0.98      0.84      0.91        58
          9       0.95      0.91      0.93        44

avg / total       0.95      0.95      0.95       450

于是我们会疑惑，precision和recall是什么指标呢？

我个人的理解是一下几点：

首先，我们要能够想到预测结果有哪几种情况，假设预测之前有两种情况A、B，那么结果无非是AA、AB、BA、BB以下四种情况，AA表示，真实是属于A，预测结果也是A；同理AB，是指真实是属于A，预测结果却是B（这说明预测错误了）

真实情况	预测结果
100	A1（78）	B1（22）
A（80）	AA（76）	AB（4）
B（20）	BA（2）	BB（18）

上面表格的例子里我假设预测出来的结果是A1：78，B1：22，真实情况是A预测结果也是A即AA是76，那么AB=A-AA

BA=A1-AA，以此推算，AB、BB都能求出来。

接下来我们就来解释一下precision和recall两个指标：

其实这两个指标是从两个层次说明一个问题。这个问题就是，你的预测结果到底怎么样？报告给我们这两个指标precision是指正确率，谁的正确率呢？就是针对这次预测行为产生的正确率，76/78，召回率呢，就是就是样本里放出去80个A去测试，结果呢，只测试出78个A，相当于我只能收回来预测正确的76个（错误的总不能召回吧），所以召回率就是76/80

那么我们又怎么和手写体识别联系起来呢。就是在机器学习数据测试集的时候，我给出一百个样本用来测试，但是只有80个是对应正确结果的，举个例子，100张图片进行图像识别数字0，里面只有80张图片是手写的0，其他的20张不是，结果预测出来78张是对应数字0的，但是这78张并不是完全正确的，里面完全正确的只有76张是正确的，那精确率是多少？当然是76/78，这是对预测这一行为做出的评价。那我放出去的那80张正确图片还能召回多少呢，当然是76个，显然召回率就是76/80。