accuracy、precision和recall 的理解

假设总共有 50 件商品，有 35 件是用户喜欢的，有15件是用户不喜欢的，我们的model根据某些特征预测哪些商品是用户喜欢的，哪些是用户不喜欢的，最后给用户推荐相关商品。

预测结果 : model预测该user对 32 件商品是喜欢的，预测有 18 件商品是不喜欢的；实际 32 件预测喜欢的商品中有 2 件是预测错的是用户不喜欢的，预测的18件不喜欢商品中有5件是实际喜欢的。我们把喜欢的商品当正样本(positive)，不喜欢的当负样本(negative)，即model要预测哪些是正样本，哪些是负样本。

	正类(预测正确)	负类(预测错误)
正样本(positive)	True Positve	False Positive
负样本(negative)	True Negative	False Negative

本例中预测正样本(喜欢)有32件，预测负样本(不喜欢)有18件.

TP即检索出的正样本中预测正确的样本，即找到用户喜欢的商品而实际预测正确的数量，本例中正确预测了30件用户喜欢的商品;
TN即检索出的负样本预测正确的样本，本例中正确预测了13件用户不喜欢的商品;
FP即检索出的正样本实际预测错误的样本，本例中预测了32件喜欢的商品但实际有2件预测错误是不喜欢的；
FN即检索出的负样本实际上预测错误的样本，本例中预测18件商品是用户不喜欢的但实际有5件预测错误是喜欢的；

Accuracy

预测正确的样本数 与 样本总数之比。即：(TP + TN) / ( ALL ).

在本例中，正确预测了43件（喜欢30 + 不喜欢13），所以 Accuracy = 43 / 50 = 86%
只讨论全部样本里预测正确的样本数。

Precision（查准率）

预测正确的正样本数 与 预测的正样本总数之比。即：TP / (TP + FP).

在本例中，预测正确了30件喜欢的，总共预测到32件喜欢的，所以 Precision = 30 / 32 = 93.75%.

只讨论预测正样本里预测正确的比例，评估预测正例的准确度。该指标可能会漏掉一些被预测为不喜欢的而实际喜欢的商品(FN 5个)，「宁愿漏掉，不可错杀」，竟可能少的把不喜欢的预测成喜欢的，导致给用户推荐不感兴趣的商品。

Recall(查全率)

预测正确的正样本数 与 实际正样本总数之比。即：TP / (TP + FN).

评估所有实际正样本被预测出来的覆盖率占比多少, 所以叫查全率，本例中，预测正确的正样本30，还有5个正样本没预测出来，因此recall = 30 / 35 = 85.7%